Modelo fundacional lunar de NASA e IBM: 17 años de datos

La NASA e IBM Research han publicado un modelo de IA de código abierto diseñado para estudiar la Luna. El NASA-IBM Lunar Foundation Model se ha desarrollado junto a varias instituciones académicas, y ambas organizaciones lo presentan como uno de los primeros modelos fundacionales abiertos orientados a la ciencia lunar. Donde mejor rinde es en la predicción de depósitos de hielo polar y en la detección de cráteres.

Kevin Murphy, director de datos científicos de la NASA, planteó el problema sin rodeos. La NASA ha reunido durante décadas un enorme archivo científico sobre la Luna, explicó, pero recopilar datos es solo la mitad del trabajo. Los científicos también tienen que poder usarlos.

Por qué un modelo fundacional

Los algoritmos específicos se entrenan para una sola tarea. Un modelo fundacional se preentrena con grandes cantidades de datos sin etiquetar y después puede adaptarse a tareas nuevas con solo un puñado de ejemplos etiquetados. En la investigación lunar sobran datos de observación y escasean las etiquetas, así que el equipo ve aquí la mayor ventaja de este enfoque.

Los datos de entrenamiento

El modelo se entrenó desde cero con SomBench, que el equipo describe como el mayor corpus lunar multimodal corregistrado hasta la fecha. Contiene casi 2 millones de paquetes de teselas que abarcan 11 modalidades a dos escalas espaciales:

• Alrededor de 1 millón de imágenes de alta resolución de la Narrow Angle Camera (NAC), a aproximadamente 1 metro por píxel
• Algo menos de 964.000 imágenes multiespectrales de la Wide Angle Camera, a 100 metros por píxel

La mayor parte de los datos procede de 17 años de observaciones del Lunar Reconnaissance Orbiter (LRO) de la NASA. Según la agencia, el volumen de datos del LRO supera al de todas sus demás misiones planetarias juntas. El equipo añadió datos de gravedad de GRAIL, datos de hidrógeno de Lunar Prospector y datos de mineralogía de Kaguya/SELENE, una sonda de la agencia espacial japonesa JAXA.

El resultado son más de 30 capas de datos alineadas espacialmente, procedentes de nueve instrumentos y cuatro misiones. Para evitar que los datos de prueba se colaran en el entrenamiento, el corpus se dividió geográficamente por zonas del mapa en lugar de mezclar teselas sueltas al azar.

Decirle al modelo cómo es la luz

La arquitectura se basa en TerraMind, un modelo multimodal de observación de la Tierra, aunque la versión lunar se entrenó desde cero en vez de ajustarse a partir de él. Hay una decisión de diseño que llama la atención. En la Luna, la geometría de la iluminación influye en el aspecto de la superficie más que sus propiedades reales. Por eso, en lugar de obligar al modelo a deducirlo a partir de los píxeles en bruto, el equipo le proporciona como entrada explícita los ángulos de iluminación, la posición del Sol y la extensión de cada tesela.

El modelo también aprende de imágenes finas y gruesas en una sola ronda de entrenamiento. Una técnica llamada FlexiViT permite que el mismo modelo entrenado trabaje con distintos tamaños de parche de imagen sin necesidad de reentrenarlo.

Dónde gana y dónde no

El equipo puso a prueba el modelo en la detección de cráteres a escalas de 100 metros y de 1 metro, en la predicción de hielo polar y en la segmentación de Irregular Mare Patches (IMP). Se trata de formaciones volcánicas jóvenes que complican las cronologías aceptadas sobre cómo se enfrió la Luna. Según el informe técnico, el modelo preentrenado igualó o superó a los modelos de referencia habituales y a un modelo de control idéntico, inicializado aleatoriamente, en todas las tareas.

La predicción de hielo fue donde más mejoró. Las regiones polares en sombra permanente pueden conservar hielo de agua durante miles de millones de años y se consideran una posible fuente de agua, oxígeno y combustible para cohetes. IBM afirma que el modelo redujo el error de predicción hasta un 22 por ciento frente al mejor modelo de referencia, SwinV2-B. En la detección de cráteres a escala gruesa superó a SwinV2-B en casi un 19 por ciento, pese a entrenarse con solo la mitad de los datos.

En el resto, el panorama es menos claro. Incluso el modelo de control sin preentrenar superó a cinco de los siete modelos de referencia en la predicción de hielo. Los investigadores lo atribuyen en parte a la arquitectura: cada capa de datos tiene su propia vía de procesamiento, mientras que los modelos de referencia apilan todas las entradas como canales. En los cráteres a escala métrica y en los IMP, los resultados empatan más o menos con los mejores modelos de referencia, dentro de la variación entre ejecuciones. IBM asegura tener una ventaja del 3 por ciento en los IMP, pero las cifras parecen comparables más que claramente mejores.

LoRA, un método de ajuste más ligero que solo entrena una fracción de los parámetros, estuvo a la altura del ajuste completo y lo superó en la detección de cráteres.

Limitaciones conocidas

El modelo no sirve para el posicionamiento geodésico absoluto. En las pruebas de generación, la latitud y la longitud se desviaban en algunos casos decenas de grados, y la elevación podía aparecer a alturas desplazadas aunque las formas fueran correctas. Los autores lo plantean como una base para tareas posteriores, no como un sustituto de los instrumentos físicos. Todavía faltan experimentos controlados que aíslen cada decisión de diseño, y algunos conjuntos de prueba son pequeños.

Juan Bernabé-Moreno, director de IBM Research Europe, señaló que el modelo relaciona observaciones de distintos instrumentos y saca a la luz patrones difíciles de ver por separado.

El modelo está disponible en Hugging Face, el código en GitHub, y está integrado en el kit de herramientas de código abierto TerraTorch. Los conjuntos de datos de preentrenamiento y las pruebas de evaluación también son públicos.

Nuestro análisis

Este lanzamiento encaja en una tendencia constante. La NASA e IBM trabajan en modelos fundacionales bajo un Space Act Agreement desde principios de 2022, empezando por el modelo de observación de la Tierra Prithvi en 2023. AlphaEarth Foundations, de Google DeepMind, sigue una idea parecida para la Tierra. También se suma a otros intentos de convertir la IA en una herramienta de investigación práctica para científicos y al creciente interés por la IA y el espacio.

Que se informe con honestidad de las limitaciones es útil. El mejor resultado, la predicción de hielo, parece deberse en parte a la arquitectura y no solo al preentrenamiento, lo que sugiere que las lecciones de diseño pueden importar tanto como los pesos. Habrá que ver si los estudios de ablación prometidos confirman qué partes impulsan realmente las mejoras y si investigadores lunares ajenos al proyecto adoptan el modelo para planificar misiones reales.