• El Modelo Fundacional Lunar de NASA-IBM convierte décadas de observaciones lunares en una base para el descubrimiento continuo, ayudando a los científicos a identificar patrones en los datos a una escala que ningún instrumento ha podido proporcionar antes.
• El modelo supera los métodos ya utilizados en hasta un 23% en la identificación de características geográficas clave en la superficie lunar, incluyendo posibles depósitos de hielo, cráteres y formaciones volcánicas, para apoyar la exploración sostenida de la Luna.

Yorktown Heights, N.Y., 10 de septiembre de 2026 – IBM (NYSE: IBM) y NASA anunciaron hoy el lanzamiento de código abierto del Modelo Fundacional Lunar de NASA-IBM, uno de los primeros modelos fundacionales disponibles públicamente para la exploración científica de la Luna, que ahora se encuentra disponible en Hugging Face. Entrenado con un extenso conjunto de datos de observación lunar seleccionado por investigadores de IBM y NASA, el modelo puede ayudar a los científicos a convertir décadas de datos complejos y de múltiples instrumentos en conocimientos que contribuyan al establecimiento de una presencia sostenida humana en la Luna.

La topografía de la Luna cambia constantemente. Con el paso del tiempo, se han formado cráteres, se han detectado depósitos de hielo distribuidos irregularmente e incluso se ha registrado actividad volcánica en su superficie. Por décadas, sensores e instrumentos han observado a la Luna continuamente, generando petabytes de datos, pero para estudiar la superficie lunar, los científicos necesitan revisar mapas e imágenes a mano o utilizar modelos de aprendizaje automático de baja resolución y diseñados para tareas específicas. Estos métodos pueden requerir una gran capacidad de cómputo y carecen del grado de precisión científica necesario para identificar y analizar características geográficas. El Modelo Fundacional Lunar de NASA-IBM ayudará a los investigadores a acelerar el progreso científico identificando relaciones ocultas entre distintos tipos de datos lunares y de diferentes niveles de resolución.

Los investigadores podrían utilizar el modelo para investigar múltiples fenómenos lunares, incluyendo:

• Posibles depósitos de hielo lunar: las regiones permanentemente sombreadas de la Luna son algunos de los entornos más difíciles de observar, pero pueden contener hielo lunar debajo de la superficie. El hielo lunar indica la presencia de agua y oxígeno, recursos esenciales para una futura base lunar y la producción de combustible para cohetes para futuras misiones a Marte. El modelo de NASA-IBM combina observaciones multimodales y de diferentes resoluciones para predecir dónde puede estar presente el hielo en la superficie lunar, y redujo el error en la identificación de áreas con alto potencial para hielo lunar en un 223% en comparación con el modelo SwinV2-B (ImageNet).
• Historia volcánica: los científicos estudian las características volcánicas lunares, llamadas Parche de Mare Irregular, para comprender mejor la historia volcánica y la evolución térmica de la Luna. Identificar estas regiones cambiantes es estratégico para futuras operaciones en la superficie. El modelo captura la extensión de las características volcánicas un 3% mejor que el modelo SwinV2-B (ImageNet), lo que proporciona una precisión comparable con mayor eficiencia y menores costos de ajuste del modelo.
• Detección de cráteres: los cráteres son una de las características más importantes y distintivas de la Luna, y pueden revelar pistas sobre su historia, geología y la composición química del interior primitivo lunar. El mapeo de cráteres también ayuda a NASA a seleccionar sitios de aterrizaje seguros y planificar ubicaciones para infraestructura lunar a largo plazo. Con el modelo, los investigadores pueden identificar, contextualizar y clasificar cráteres a una resolución de metros con precisión comparable a la de modelos como SwinV2-B, y a una resolución de contexto (~100 metros), supera a SwinV2-B en casi un 19% utilizando solo la mitad de los datos de entrenamiento.

«NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna, pero recopilar datos es solo una parte del trabajo. También debemos facilitar que los científicos exploren y utilicen esos datos. El Modelo Fundacional Lunar de NASA-IBM demuestra lo que es posible cuando aplicamos IA a los petabytes de datos científicos de NASA. Esa es una de las oportunidades que vemos en la IA: transformar datos a gran escala en nuevos descubrimientos», afirmó Kevin Murphy, director de datos científicos y director interino de datos e IA de la sede central de la NASA en Washington.

«Descubrir los misterios de la Luna requiere la capacidad de aprender de un volumen extraordinario de datos científicos», dijo Juan Bernabe-Moreno, Director de Investigación de IBM en Europa, Reino Unido e Irlanda. «El Modelo Fundacional Lunar de NASA-IBM ofrece a los científicos una base para explorar la Luna a escala, conectando observaciones de distintos instrumentos, revelando patrones que son difíciles de ver de forma aislada y proporcionando una plataforma abierta sobre la cual la comunidad de investigación mundial puede seguir construyendo».

A pesar de la riqueza de datos lunares, no existe un conjunto de datos unificado y disponible públicamente que reúna los datos multimodales y de diferentes resoluciones en un marco común adecuado para el aprendizaje automático moderno. Junto con el modelo, los científicos de IBM y NASA construyeron el primer conjunto de datos lunares de código abierto: un conjunto de datos unificado y listo para el aprendizaje automático que combina más de 30 capas espacialmente alineadas provenientes de nueve instrumentos en cuatro misiones. El conjunto de datos combina decenas de miles de imágenes y mapas que muestran propiedades geofísicas únicas de la superficie lunar de las misiones Lunar Reconnaissance Orbiter (LRO) y GRAIL de NASA, además de datos lunares complementarios de la Agencia de Exploración Aeroespacial de Japón SELENE/Kaguya, para lograr una visión multimodal rica de la superficie y subsuelo lunar disponible para que la comunidad científica siga construyendo sobre ella.

El modelo extiende una colaboración establecida entre IBM y NASA que transforma valiosos datos científicos en una base públicamente disponible para el descubrimiento de toda la comunidad científica. Al hacer el modelo disponible públicamente, los científicos e investigadores tienen acceso a sistemas de IA de vanguardia para acelerar el progreso en la exploración lunar. Se une a la familia de modelos fundacionales abiertos Prithvi, disponibles en Hugging Face, que abarcan la dimensión geoespacial, el clima, la heliofísica y ahora la Luna. Juntos, estos modelos avanzan una visión más amplia: en lugar de construir un nuevo sistema algorítmico para cada pregunta científica, los investigadores pueden partir de un modelo compartido y adaptarlo a nuevas tareas para acelerar el descubrimiento en diferentes dominios.

3 “Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing”, pg 17 4 “Multimodal-
Multiresolution Foundation Model for Lunar Remote Sensing”, pg 15