Modelo Lunar Foundation de IBM y NASA: IA abierta para explorar la Luna

⏱ Tiempo de lectura: 4 min

IBM y NASA anunciaron el 10 de septiembre de 2026 el lanzamiento abierto del Modelo Lunar Foundation, un sistema multimodal de visión remota entrenado con SomBench, un conjunto de datos co-registrado de la Luna. Los pesos del modelo están disponibles en Hugging Face bajo licencia Apache 2.0, lo que convierte este en uno de los primeros modelos de fundación públicos para exploración científica lunar.

Modelo lunar de fundación: arquitectura y capacidades

El Modelo Lunar Foundation usa un codificador-decodificador ViT-B (768 dimensiones, 12 capas, 12 cabezas de atención) entrenado desde cero en SomBench, que contiene aproximadamente 2 millones de grupos de azulejos lunares co-registrados en 11 modalidades a dos escalas espaciales: imágenes de la Cámara de Ángulo Estrecho LROC a ~1 metro por píxel y de la Cámara de Ángulo Amplio a ~100 metros por píxel. El sistema integra geometría de adquisición por azulejo (ángulos de iluminación, anclajes de marco solar, huella de azulejo) como entradas explícitas del codificador, reconociendo que la apariencia lunar está más gobernada por geometría de iluminación que por variación superficial intrínseca. El entrenamiento ejecutó 150,000 pasos en 16 GPUs H100 en formato bf16, totalizando ~1,100 horas GPU, con tokenizadores VQ-VAE específicos por modalidad, cuantización FSQ, decodificador DDPM y objetivo de entropía cruzada sobre vocabularios de tokens discretos.

Rendimiento y resultados de referencia

El modelo supera métodos ampliamente usados hasta un 23% en identificación de características geográficas lunares clave. Redujo error RMSE hasta un 22% comparado con SwinV2-B (ImageNet) al identificar áreas con alto potencial de hielo lunar; capturó la extensión de Manchas de Mare Irregulares 3% mejor que SwinV2-B con etiquetas imperfectas; y igualó modelos de vanguardia como SwinV2-B en detección de cráteres a escala de metro mientras superó el rendimiento en 19% a escala ~100 metros usando la mitad de datos de entrenamiento. Para prospectividad de hielo polar: RMSE de 0,0293 con ajuste fino completo frente a 0,0377 para mejor línea base. Para segmentación de Manchas de Mare Irregulares: IoU de 0,5709 frente a 0,5687 para ConvNeXtV2-B. Para detección de cráteres Robbins en imágenes WAC: mAP de 0,2581 con LoRA frente a 0,2420 para SwinV2-B. Investigación de este tipo acelera la detección de recursos lunares y selección segura de sitios de aterrizaje.

Dataset SomBench y aplicaciones científicas

SomBench, lanzado bajo licencia CC BY 4.0 en AWS, agrega más de 30 capas espacialmente alineadas de nueve instrumentos en cuatro misiones, incluyendo el Orbitador de Reconocimiento Lunar de NASA y la misión GRAIL, junto a la SELENE/Kaguya de la Agencia Japonesa de Exploración Aeroespacial. El dataset contiene dos tracks: WAC LowRes (963,609 azulejos a 100 metros por píxel, 38 TB) y NAC HighRes (1,000,113 azulejos a 1 metro por píxel, 1,4 TB). Los investigadores pueden aplicar el modelo para predecir presencia de hielo en regiones permanentemente sombreadas, mapear Manchas de Mare Irregulares para estudiar historia volcánica lunar, y detectar/clasificar cráteres para análisis de edad de terreno y riesgos de aterrizaje. El código de ajuste fino está mantenido en repositorio GitHub de NASA-IMPACT, con adaptación descendente manejada mediante TerraTorch. Los autores advierten que el sistema no es un producto generativo de grado científico, no mantiene marco de referencia geodésico y no está validado para decisiones operacionales como certificación de sitios de aterrizaje.

Qué se puede esperar ahora

El lanzamiento abierto democratiza el acceso a herramientas de análisis lunar de alto rendimiento para la comunidad científica global. Investigadores pueden descargar el modelo y SomBench sin costo, ajustando el encoder para tareas específicas mediante ajuste fino o adaptación LoRA. Esta colaboración entre IBM y NASA se suma a la familia Prithvi de modelos de fundación abiertos, que ya abarca geoespacial, clima e heliofsíica. El impacto potencial incluye aceleración en mapeo de recursos, validación de candidatos para bases lunares futuras y comprensión más profunda de evolución geológica lunar.

Aspecto	Detalle
Tipo de modelo	Multimodal, multi-resolución, visión remota lunar; ViT-B codificador-decodificador
Arquitectura	768 dimensiones, 12 capas, 12 cabezas de atención
Datos de entrenamiento	~2 millones de grupos de azulejos lunares, 11 modalidades, 2 escalas espaciales (1 m/píxel y 100 m/píxel)
Recursos de cómputo	16 GPUs H100, 150,000 pasos, ~1,100 horas GPU, formato bf16
Hielo lunar (RMSE)	0,0293 (ajuste fino completo) vs 0,0377 SwinV2-B; reducción de 22% en error
Manchas Mare Irregular (IoU)	0,5709 vs 0,5687 ConvNeXtV2-B; +3% captura de extensión con etiquetas imperfectas
Cráteres Robbins WAC (mAP)	0,2581 con LoRA vs 0,2420 SwinV2-B; +19% a escala ~100m con 50% menos datos
Dataset SomBench (WAC)	963,609 azulejos, 100 m/píxel, 38 TB
Dataset SomBench (NAC)	1,000,113 azulejos, 1 m/píxel, 1,4 TB
Fuentes de datos	Orbitador Reconocimiento Lunar (NASA), GRAIL (NASA), SELENE/Kaguya (JAXA), 9 instrumentos, 4 misiones
Disponibilidad modelo	Hugging Face, licencia Apache 2.0
Código ajuste fino	Repositorio GitHub NASA-IMPACT
Disponibilidad dataset	AWS, licencia CC BY 4.0
Limitaciones	No es producto generativo de grado científico; no mantiene marco geodésico; no validado para certificación operacional de sitios de aterrizaje; hielo regresa mapa de superposición difusa basado en conocimiento, no medición directa
Anuncio	10 de septiembre de 2026, Yorktown Heights, Nueva York

Preguntas frecuentes sobre Modelo Lunar Foundation

¿Qué aplicaciones científicas tiene el modelo lunar?

Según el anuncio, investigadores pueden aplicarlo para predecir presencia de hielo en regiones permanentemente sombreadas, mapear Manchas de Mare Irregulares para entender historia volcánica y evolución térmica lunar, y detectar/contextualizar/clasificar cráteres para análisis de edad de terreno y selección segura de sitios de aterrizaje.

¿Dónde descargo el modelo y el dataset?

El modelo está disponible en Hugging Face bajo licencia Apache 2.0. El dataset SomBench se aloja en AWS bajo licencia CC BY 4.0. El código de ajuste fino está en el repositorio GitHub de NASA-IMPACT, con adaptación descendente manejada mediante TerraTorch.

¿Cuáles son las principales limitaciones documentadas?

El sistema no es un producto generativo de grado científico, no mantiene marco de referencia geodésico, y no está validado para decisiones operacionales como certificación de sitios de aterrizaje o validación de hazards. Los autores advierten que las salidas de prospectividad de hielo regresan un mapa de superposición difusa basado en conocimiento, no medición directa de hielo. También señalan que el preentrenamiento NAC está restringido a 1,095 marcos co-registrados, y el dataset presenta incertidumbre de geolocalización de decenas de metros.

El punto clave para la comunidad tech

Este lanzamiento demuestra cómo aplicar modelos de fundación multimodales a datos científicos complejos del mundo real. La combinación de SomBench (datos curados de múltiples instrumentos y escalas) con un encoder-decodificador ViT-B ajustable permite que equipos de investigación global adapten el sistema sin entrenamiento desde cero, acelerando ciclos de investigación y validación de candidatos para futuras operaciones lunares.

En Inteligencia Artificial, consideramos que este trabajo ejemplifica un cambio estructural en ciencia planetaria: construir sobre representaciones abiertas compartidas en lugar de desarrollar sistemas algorítmicos aislados para cada pregunta científica. ¿Cómo debería evolucionar la colaboración abierta entre agencias espaciales y la industria de IA para maximizar el impacto en exploración científica?

Fuente: www.unite.ai