NASA e IBM crean una IA de código abierto para buscar hielo y cartografiar cráteres en la Luna

La NASA y el IBM han presentado un modelo de inteligencia artificial especializado en ciencia lunar, entrenado con más de un millón de imágenes de alta resolución y casi un millón de observaciones multiespectrales de la Lunar Reconnaissance Orbiter (LRO). Publicado como código abierto, el sistema permite acelerar tareas como la búsqueda de hielo en los polos, la cartografía de cráteres y el estudio de estructuras volcánicas anómalas.

Por Redacción11 de septiembre de 2026, 08:01

Un modelo fundacional para procesar el archivo lunar

Durante 17 años, la Lunar Reconnaissance Orbiter ha fotografiado y medido la Luna, generando uno de los archivos más detallados que existen sobre su superficie. La NASA asegura que la misión ha producido más datos que todas sus demás misiones planetarias combinadas, con una cobertura que permite observar gran parte del terreno a alta resolución.

El desafío ya no es solo obtener información, sino procesarla con rapidez para extraer patrones útiles. Para abordar ese problema, la NASA e IBM, junto con varias instituciones académicas, han desarrollado el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial entrenado principalmente con observaciones de la LRO. La herramienta se ha publicado como código abierto y puede adaptarse a tareas concretas, desde cartografiar cráteres hasta estudiar regiones polares o estructuras volcánicas.

El enfoque no busca sustituir el análisis científico, sino acelerar una parte del trabajo que, con métodos tradicionales, requiere desarrollar y entrenar sistemas especializados para cada tarea. Un modelo fundacional aprende primero patrones generales a partir de grandes volúmenes de datos, sin necesidad de etiquetar cada imagen para una función específica.

Entrenamiento con datos de varias misiones lunares

El sistema procesó cerca de dos millones de teselas: más de un millón de imágenes de alta resolución, de aproximadamente un metro por píxel, y casi 964.000 observaciones multiespectrales, de unos 100 metros por píxel. El entrenamiento también incorporó información de otras misiones lunares, como GRAIL, Lunar Prospector y la japonesa Kaguya.

Uno de los usos más interesantes está en los polos lunares, donde algunas zonas permanecen siempre en sombra y pueden conservar hielo durante miles de millones de años. El modelo no detecta agua helada de forma directa, sino que estima la llamada prospectividad de hielo, es decir, señala qué lugares reúnen condiciones más favorables para que el hielo exista y se mantenga estable, tanto en la superficie como bajo ella.

Saber dónde buscar ese hielo importa por dos motivos principales. Desde el punto de vista científico, estudiarlo puede aportar pistas sobre la historia de la Luna y sobre cómo llegaron y se conservaron allí determinados volátiles. Para futuras expediciones, el agua podría convertirse en un recurso local: servirá para consumo y, si se procesa, proporcionará hidrógeno y oxígeno con posibles usos en soporte vital o propelentes.

Aplicaciones en cráteres y estructuras volcánicas

Los cráteres ofrecen otra aplicación especialmente útil porque cada uno es la huella de un impacto. Contarlos y medirlos ayuda a reconstruir la edad relativa de distintas zonas de la superficie y parte de la historia del sistema solar. La NASA probó el modelo con imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein, y consiguió resaltar el nuevo cráter junto a otros ya existentes.

La imagen posterior al impacto no formó parte del preentrenamiento, por lo que el experimento demuestra que el sistema puede ajustarse después para reconocer cambios que inicialmente no había visto. La herramienta también puede ayudar a localizar las llamadas irregular mare patches, pequeñas estructuras volcánicas cuyo aspecto resulta anormalmente joven para lo que se esperaba de la Luna.

Algunas de estas formaciones parecen haberse creado mucho después de la gran etapa de actividad volcánica del satélite, lo que ha llevado a los científicos a revisar cuándo terminó realmente ese proceso. Identificarlas y cartografiarlas con más rapidez permite ampliar el número de regiones estudiadas y comparar mejor sus características, una pieza más para reconstruir cómo se fue enfriando y evolucionando el interior lunar.

Rendimiento y limitaciones del modelo

Los resultados no son uniformes en todas las tareas. La NASA señala que el modelo igualó o superó a varios sistemas de referencia, con su ventaja más clara en la estimación de la prospectividad de hielo, mientras que en cráteres y estructuras volcánicas las diferencias fueron más ajustadas.

La herramienta no está validada para certificar zonas de alunizaje ni para despejar riesgos operativos. Su valor reside en ofrecer a la comunidad científica una base abierta y reutilizable con la que analizar más rápido un archivo lunar que no deja de crecer y formular mejores preguntas sobre la superficie.

El desarrollo de este modelo cobra especial sentido mientras la NASA prepara nuevas misiones humanas al entorno lunar, aunque no ha sido presentada como una herramienta creada específicamente para el programa Artemis.