NASA și IBM au prezentat un model de inteligență artificială dedicat analizei suprafeței Lunii, într-un proiect menit să ajute cercetătorii să lucreze mai eficient cu volumele foarte mari de date strânse de misiunile spațiale.

Sistemul, denumit NASA-IBM Lunar Foundation Model, este open-source și a fost construit pentru a identifica și a cartografia caracteristici lunare precum craterele, zonele în care gheața ar putea fi stabilă și formațiuni asociate vulcanismului din trecut.

Anunțul a fost făcut pe 10 septembrie 2026. Potrivit NASA, modelul a fost antrenat în principal pe date de la Lunar Reconnaissance Orbiter (LRO), misiunea care a produs o acoperire aproape continuă și de înaltă rezoluție a suprafeței lunare. Au fost folosite și observații din alte misiuni, printre care GRAIL, Lunar Prospector și SELENE/Kaguya (JAXA). În comunicările comune NASA-IBM, setul de antrenament este descris ca reunind peste 30 de straturi de date provenite de la nouă instrumente.

Cantitatea de imagini, măsurători spectrale, observații radar și alte tipuri de date acumulate despre Lună a devenit o provocare practică pentru cercetarea planetară. Pentru a identifica structuri geologice sau zone de interes, aceste seturi trebuie comparate și interpretate împreună. Un model de tip foundation, antrenat pe volume mari de date nemarcate, învață tipare generale care pot fi ulterior adaptate pentru sarcini concrete, fără a reconstrui de fiecare dată un sistem separat.

În testele de referință prezentate odată cu lansarea, NASA și IBM au raportat îmbunătățiri de până la 23% față de metodele de comparație folosite pe scară largă, pentru anumite sarcini de identificare a caracteristicilor de pe suprafața lunară. NASA precizează, totodată, că modelul a egalat sau a depășit mai multe linii de bază pe sarcinile evaluate, cu un avantaj clar la estimarea stabilității gheții în zonele polare.

Identificarea zonelor cu posibilă gheață este una dintre aplicațiile cele mai importante. Regiunile polar umbrite permanent, în special în apropierea polului sud, pot păstra gheață pe perioade foarte lungi. Pentru viitoarele misiuni cu echipaj, apa lunară ar putea conta atât pentru consum, cât și ca sursă potențială de hidrogen și oxigen, utile pentru susținerea vieții sau pentru producerea de combustibil.

Modelul poate accelera și cartografierea craterelor. Numărul, dimensiunea și distribuția acestora oferă indicii despre istoria geologică a unei regiuni și ajută, din punct de vedere practic, la evaluarea terenului pentru aterizări sigure. O altă direcție vizată este detectarea unor formațiuni vulcanice neobișnuite, inclusiv a așa-numitelor irregular mare patches, care pot aduce clarificări despre evoluția termică a Lunii.

Proiectul continuă colaborarea NASA-IBM din domeniul modelelor AI pentru știință. Cele două organizații au dezvoltat anterior familia Prithvi, folosită pentru date de observare a Pământului, și alte modele destinate cercetării. Caracterul open-source al noului sistem — greutăți pe Hugging Face, cod pe GitHub, integrare în toolkit-ul TerraTorch — permite cercetătorilor și universităților să testeze și să adapteze modelul fără a-l reconstrui de la zero.

Lansarea vine într-un context de interes reînnoit pentru explorarea Lunii, inclusiv prin programul Artemis al NASA, care vizează tehnologii pentru o prezență umană de durată pe suprafața lunară. Inteligența artificială nu înlocuiește analiza științifică, dar poate scurta timpul necesar pentru a filtra, cartografia și prioritiza zonele care merită investigații detaliate.

Imagine: NASA/GSFC/Arizona State University (mozaic LRO Narrow Angle Camera, Mons Rümker).

Sursă consultată: NASA, IBM Launch AI Foundation Model for Lunar Science | NASA Science