IBM y la NASA volvieron a trabajar juntos y liberaron un modelo de inteligencia artificial de código abierto de la Luna que podría servir para hacer nuevos descubrimientos sobre el satélite natural de la Tierra.
El NASA-IBM Lunar Foundation Model fue entrenado sobre un conjunto extenso de observaciones lunares curado por investigadores de ambas organizaciones, y ya está disponible en Hugging Face.
¿Qué hace distinto a este modelo?
Se presenta como el primer modelo de inteligencia artificial que integra observaciones capturadas en un rango de modalidades, es decir formatos de datos distintos, tomadas además desde diferentes ángulos de vista y a distintas escalas espaciales. En lugar de revisar mapas e imágenes a mano, o de usar modelos de aprendizaje automático de baja resolución, los científicos pueden usar esto para analizar rasgos geográficos, según plantean ambas instituciones.
En concreto, la NASA e IBM esperan que la comunidad investigadora pueda descubrir depósitos de hielo lunar no identificados hasta ahora, analizar rasgos volcánicos llamados parches marinos irregulares, y detectar y clasificar cráteres.
El hielo lunar indica presencia de agua y oxígeno, ambos útiles para futuras misiones tripuladas. Se encuentra en regiones permanentemente en sombra, que están entre las áreas más difíciles de observar. El modelo combina observaciones multimodales y de múltiples resoluciones para predecir mejor dónde podría haber hielo en la superficie.
El conjunto de datos abierto
Junto con el modelo, científicos de IBM y la NASA compilaron un conjunto de datos lunar de código abierto con más de 30 capas alineadas espacialmente, usando información de nueve instrumentos repartidos en cuatro misiones. Reúne decenas de miles de imágenes y mapas que muestran diversas propiedades geofísicas de la superficie lunar.
"La NASA ha pasado décadas construyendo un registro científico extraordinario de la Luna, pero recolectar datos es solo una parte del trabajo", dijo Kevin Murphy, director de datos científicos de la agencia espacial. "También tenemos que hacer que esos datos sean más fáciles de explorar y usar para los científicos".
"El NASA-IBM Lunar Foundation Model entrega a los científicos una base para explorar la Luna a escala, conectando observaciones entre instrumentos, revelando patrones difíciles de ver de forma aislada y proveyendo una plataforma abierta sobre la que puede construir la comunidad global de investigación", afirmó Juan Bernabe-Moreno, director de investigación de IBM para Europa.
Cuatro modelos en cuatro años
Este no es el primer proyecto conjunto de ambas organizaciones. La secuencia muestra una cadencia sostenida y un patrón claro: cada modelo apunta a un dominio de observación distinto y todos pertenecen a la familia Prithvi.
| Año | Modelo | Dominio |
|---|---|---|
| 2023 | Prithvi | Análisis de imágenes satelitales |
| 2024 | Modelo climático | Predicción de patrones meteorológicos |
| 2025 | Surya | Predicción de erupciones solares |
| 2026 | Lunar Foundation Model | Cartografía y geología lunar |
¿Qué hardware hace falta para usarlo?
La NASA e IBM no han revelado oficialmente un conteo de parámetros ni un tamaño exacto de modelo para esta publicación. Como es de código abierto y se puede descargar, The Register preguntó qué recursos necesitaría alguien para usarlo.
"Las necesidades de hardware dependerán de la aplicación, del tamaño y la cantidad de entradas, y de si se están corriendo predicciones o entrenando más el modelo. Como regla general, la mayoría de nuestros experimentos de ajuste fino se hicieron usando GPU Nvidia A100", respondió un vocero de IBM.
"Los experimentos de menor escala y las cargas de inferencia pueden ser posibles en hardware más modesto, aunque los requerimientos exactos variarán según la tarea".
Esa respuesta deja el piso abierto pero marca el techo: la A100 es una GPU de centro de datos, no una tarjeta de escritorio. Para un grupo de investigación regional, la diferencia entre inferir y ajustar el modelo es la diferencia entre una estación de trabajo propia y arrendar tiempo en la nube.
Que los pesos estén publicados en Hugging Face importa justamente por eso: baja la barrera de entrada para universidades y grupos con presupuesto acotado, que pueden partir probando inferencia antes de comprometer recursos de cómputo mayores.
