IBM y NASA publican en abierto un modelo fundacional de la Luna

IBM y NASA han publicado en abierto un modelo de IA entrenado con décadas de observaciones de la Luna. Se llama NASA-IBM Lunar Foundation Model, está en Hugging Face y llega acompañado de lo que sus autores presentan como el primer conjunto de datos lunares unificado y listo para aprendizaje automático.

Puede que el conjunto de datos acabe pesando más que el propio modelo. Los científicos de IBM y NASA han combinado más de 30 capas espacialmente alineadas procedentes de nueve instrumentos de cuatro misiones: el Lunar Reconnaissance Orbiter y GRAIL de la NASA, y la misión SELENE/Kaguya de Japón. Antes no existía nada público comparable. Las observaciones lunares se han guardado históricamente en formatos y resoluciones distintos, y juntarlas era complicado. Ese ha sido uno de los frenos para aplicar aprendizaje automático a un campo que acumula petabytes y que los investigadores siguen procesando a mano o con modelos de un solo uso, de baja resolución y caros de ejecutar.

Dónde mejora y dónde no

La aplicación más clara es la búsqueda de hielo. Los cráteres en sombra permanente son de lo más difícil de observar y, a la vez, de lo más prometedor para encontrar hielo subsuperficial, que daría agua, oxígeno y materia prima para combustible. El modelo estima dónde puede haberlo combinando observaciones tomadas a distintas resoluciones. IBM cifra en un 23% la reducción del error al identificar zonas con alto potencial frente a SwinV2-B, un modelo de visión generalista entrenado con ImageNet.

El resto de resultados es menos brillante. En rasgos volcánicos la mejora es del 3%, y con etiquetas imperfectas. En detección de cráteres a resolución métrica rinde más o menos igual que SwinV2-B, aunque consume menos cómputo. A unos 100 metros de resolución supera a SwinV2-B en casi un 19% usando la mitad de datos de entrenamiento. La eficiencia es el argumento más consistente del modelo, más que la precisión.

Juan Bernabe-Moreno, director de IBM Research Europe, UK e Ireland, lo ha descrito en términos de acceso: «El NASA-IBM Lunar Foundation Model da a los científicos una base para explorar la Luna a escala, conectando observaciones de distintos instrumentos y revelando patrones que son difíciles de ver por separado».

El modelo forma parte de la familia Prithvi de IBM, que ya incluye trabajos para datos geoespaciales, meteorología, heliofísica y la Luna. La misma colaboración produjo antes un modelo junto a la ESA para entender la Tierra. La idea es la misma: adaptar un modelo compartido a distintos problemas en lugar de construir un sistema nuevo para cada pregunta.

Lo que IBM y NASA no han dado es lo primero que miraría cualquier equipo antes de decidir si adapta esto: tamaño del modelo, número de parámetros, licencia y arquitectura. Tampoco hay demo.

Queda el detalle de dónde se publica. Hugging Face, que se ha convertido en el sitio por defecto para los modelos abiertos, está a punto de tener dueño comercial: Nvidia acordó la semana pasada adquirirla por 12.930 millones de dólares. Del lado europeo, la ESA ha abierto una convocatoria de tecnología para misiones lunares y desarrolla un robot autónomo para explorar cuevas. Ambas cosas necesitan información detallada del terreno, justo lo que este modelo pretende ayudar a extraer.