Según el sitio web oficial de la Administración Nacional de Aeronáutica y el Espacio (NASA) y las redes sociales oficiales de IBM Research, ambas instituciones publicaron y abrieron el código del primer modelo lunar, cuyos pesos y código están disponibles para investigadores de todo el mundo con el fin de descargarlos, ajustarlos y experimentar con ellos. Se trata de una de las primeras herramientas de análisis inteligente de uso público dedicadas específicamente a la ciencia lunar, cuyo objetivo es transformar décadas de datos de observación lunar dispersos en herramientas de análisis reutilizables para el mapeo de cráteres, la identificación de relieves volcánicos y la evaluación del potencial de hielo de agua en las regiones polares.

El "modelo NASA-IBM" reproduce los patrones de detección de hielo lunar (de azul a amarillo); el modelo conserva muchos patrones de exploración detallados en los datos de referencia. Fuente: NASA/IBM Research

La investigación lunar ha enfrentado durante mucho tiempo la contradicción entre abundantes datos y difícil integración. Los datos de entrenamiento de este modelo provienen principalmente del Orbitador de Reconocimiento Lunar (LRO) de la NASA. El LRO lleva unos 17 años en órbita, cubre la mayor parte de la superficie lunar y su volumen de datos supera el total de las demás misiones planetarias de la NASA. El modelo utiliza aproximadamente 2 millones de recortes de imágenes lunares, incluidos más de 1 millón de imágenes de cámara de ángulo estrecho con resolución de 1 metro y cerca de 964.000 imágenes multiespectrales con resolución de 100 metros, y fusiona datos topográficos y de teledetección de misiones como GRAIL, Lunar Prospector y SELENE de la JAXA de Japón. El conjunto de datos publicado junto con el modelo integra 9 instrumentos, 4 misiones y más de 30 capas de datos alineadas espacialmente, lo que resuelve el problema de la difícil invocación unificada de datos de diferentes resoluciones y cargas útiles.

Este modelo es de gran importancia para la exploración de recursos lunares. Los cráteres en sombra permanente de la Luna tienen temperaturas extremadamente bajas que pueden conservar hielo de agua durante millones de años, y los medios ópticos difícilmente pueden observarlo directamente. El modelo estima la ocurrencia y las zonas estables de hielo en las regiones polares mediante la integración de observaciones multirresolución y multimodales, lo que ayuda a los investigadores a reducir el alcance de la verificación sobre el terreno. Además, el hielo de agua no solo está relacionado con el agua potable y el oxígeno para respirar en una base lunar, sino que también puede producir oxígeno e hidrógeno mediante electrólisis, proporcionando materia prima para propelentes en misiones de espacio profundo; este es precisamente el punto de partida para las misiones de permanencia humana a largo plazo en la Luna y para las posteriores misiones hacia Marte.

Al mismo tiempo, en relación con el aterrizaje seguro de futuras naves espaciales y el conocimiento geológico de los sitios de aterrizaje, el nuevo modelo puede ayudar a extraer y clasificar rápidamente cráteres, reduciendo la carga de interpretación manual.

Este modelo se enmarca en la estrategia de "inteligencia artificial para la ciencia" de la Oficina del Científico Principal de Datos de la NASA y fue completado mediante la colaboración de múltiples centros, universidades e institutos de investigación. Para el ámbito académico, un conjunto de datos lunares unificado y reproducible es mucho más importante que los indicadores de un algoritmo aislado. Las futuras misiones lunares seguirán generando nuevas imágenes, y los investigadores también podrán ajustar el mismo modelo base para conectar observaciones de múltiples misiones y múltiples períodos en un conocimiento coherente, en lugar de empezar desde cero cada vez.

El significado del "modelo NASA-IBM" radica en convertir los datos lunares fragmentados en una plataforma inteligente compartida globalmente, de modo que los descubrimientos científicos ya no dependan de la posesión de datos, sino de la capacidad de utilizar bien los modelos. En el futuro, los equipos de diversos países podrán acceder a la investigación de vanguardia a un costo extremadamente bajo, y la interpretación manual se transformará así en una herramienta reutilizable. Para la comunidad científica, esto acelerará enormemente el conocimiento sobre cráteres, volcanes y recursos polares, acumulando el conocimiento necesario para futuras bases lunares e incluso misiones de aterrizaje en Marte. Y este modelo probablemente se verá con frecuencia en la futura investigación de exploración del espacio profundo, extendiéndose desde la Luna hasta Marte e incluso asteroides más lejanos, impulsando una nueva transición en el conocimiento humano del universo.