La IA ayuda a mapear la Luna: qué hace el modelo de la NASA e IBM y por qué importa

    Entrenado con dos millones de imágenes de la sonda LRO, el modelo permite navegar mejor entre los millones de datos sobre el satélite, ayudando a analizarlo. Detecta cráteres recientes, localiza posibles volcanes jóvenes y estima dónde podría conservarse hielo en los polos.

    El modelo de IA permite detectar más rápidamente volcanes, cráteres y potenciales áreas con hielo. Crédito: NASA.
    El modelo de IA permite detectar más rápidamente volcanes, cráteres y potenciales áreas con hielo. Crédito: NASA.

    El LRO (Lunar Reconnaissance Orbiter), un satélite que orbita la Luna desde 2009, ha recopilado más datos que todas las demás misiones planetarias de la NASA combinadas, cubriendo con detalle la mayor parte de la superficie del satélite. Navegar por esas millones de imágenes, sin embargo, resulta lento y complejo para los investigadores.

    Por ello, la agencia espacial estadounidense, junto a IBM y varias instituciones académicas, lanzó el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial de código abierto, entrenado con millones de datos satelitales, que permite cartografiar con detalle la superficie de la Luna mucho más rápido que con los métodos manuales.

    Imágenes del LRO muestran la superficie lunar cerca del cráter Einstein antes (izquierda) y después (derecha) del impacto de un cohete de SpaceX. El modelo de IA detectó los cráteres existentes (contornos azules) y resaltó el cráter de impacto recién formado (recuadro rojo). Crédito: NASA.
    Imágenes del LRO muestran la superficie lunar cerca del cráter Einstein antes (izquierda) y después (derecha) del impacto de un cohete de SpaceX. El modelo de IA detectó los cráteres existentes (contornos azules) y resaltó el cráter de impacto recién formado (recuadro rojo). Crédito: NASA.

    Con ello, es posible detectar cráteres, localizar volcanes o estimar dónde se conserva el hielo, lo que podría impulsar a dejar de depender de la revisión imagen por imagen, permitiendo que los científicos dediquen más tiempo a interpretar resultados y decidir dónde explorar después.

    Un modelo base para conocer los detalles de la Luna

    El Lunar Foundation Model es el primer modelo de IA que integra observaciones capturadas en diversas modalidades, con diferentes ángulos de visión y escalas espaciales.

    Arquitectura del NASA-IBM Lunar Foundation Model. Crédito: NASA-IBM.
    Arquitectura del NASA-IBM Lunar Foundation Model. Crédito: NASA-IBM.

    Fue entrenado con cerca de dos millones de imágenes del LRO a resoluciones de entre 1 y 100 metros por píxel, además de imágenes de alta resolución de otras misiones como GRAIL (Gravity Recovery and Interior Laboratory) y Lunar Prospector de la NASA, y SELENE, de la agencia espacial japonesa JAXA.

    Puede adaptarse rápidamente a diferentes tareas y reutilizarse. La NASA, para comenzar, priorizó inicialmente tres: cartografiar los cráteres más pequeños y no catalogados que salpican la superficie de la Luna; investigar su historia volcánica; y explorar los cráteres de ambos polos en busca de hielo. Esto último podría entregar datos sobre una posible fuente de agua potable, oxígeno y combustible para las futuras tripulaciones de astronautas.

    Por qué es tan difícil mapear la Luna

    Lograr un mapa de la Luna a partir de las imágenes que se obtienen de ella no es tarea fácil. Un día en el satélite equivale a dos semanas de luz solar seguidas de dos semanas de oscuridad. Esto puede cambiar drásticamente la apariencia de las características de la superficie.

    Sin atmósfera que disperse la luz, cimas y valles quedan ocultos por sombras oscuras o el resplandor, a lo que se suma el regolito, la capa de polvo y roca que cubre el terreno, que puede provocar distorsiones visuales según el ángulo del Sol. En los polos, como el Sol queda muy bajo en el horizonte, las sombras del relieve se alargan y pueden ocultar rocas, cráteres y otros peligros.

    La variedad de datos también complica el trabajo, ya que cada misión ha medido parámetros distintos y a escalas diferentes. Por ello, el uso de la IA, en ese sentido, al permitir reunir todas las mediciones en una sola representación de la Luna, debería facilitar la investigación.

    La arquitectura en la que se basa el modelo aprende las correlaciones entre distintos tipos de datos y es capaz de completar valores ausentes o con ruido. De acuerdo con IBM, podría servir, por ejemplo, para elaborar mapas de temperatura más precisos, útiles para elegir dónde buscar hielo o construir una base y estudiarlos mediante simulaciones.

    Parte de una estrategia más amplia

    El modelo es parte de una estrategia más grande de la NASA para aplicar IA a la ciencia, que incluye otras herramientas para el estudio del Sistema Solar.

    El modelo NASA-IBM reproduce patrones de potencial de hielo lunar (escalados de azul a amarillo), mostrados en cuatro ubicaciones (izquierda) cerca del polo lunar. Crédito: NASA-IBM.
    El modelo NASA-IBM reproduce patrones de potencial de hielo lunar (escalados de azul a amarillo), mostrados en cuatro ubicaciones (izquierda) cerca del polo lunar. Crédito: NASA-IBM.

    Entre ellos, los modelos Prithvi fueron preentrenados con datos de observación de la Tierra y diseñados para respaldar aplicaciones como el monitoreo de desastres, la elaboración de mapas de inundaciones, la predicción del rendimiento de los cultivos y la predicción de huracanes.

    Mientras el modelo Surya, entrenado con datos de observación solar de alta resolución, permite predecir fenómenos meteorológicos espaciales, como las erupciones solares, que pueden interrumpir las redes eléctricas y las operaciones de los satélites.

    Referencia de la noticia

    NASA. (2026). NASA, IBM Launch AI Foundation Model for Lunar Science.
    IBM. (2026). A rough guide for going back to the Moon.