Nel panorama dell’innovazione tecnologica e della ricerca spaziale, un traguardo di straordinaria rilevanza è stato ufficializzato a Yorktown Heights, dove IBM e la NASA hanno annunciato il rilascio ufficiale del NASA-IBM Lunar Foundation Model. Si tratta di uno dei primissimi foundation model open source interamente dedicati all’esplorazione scientifica della Luna, concepito per aiutare la comunità accademica e di ricerca globale a trasformare decenni di osservazioni complesse in informazioni concrete e immediatamente utilizzabili. L’obiettivo primario di questa piattaforma avanzata è supportare la creazione di una presenza umana sostenibile sulla Luna, fornendo agli scienziati uno strumento capace di individuare correlazioni e modelli di dati su una scala mai raggiunta prima da un singolo strumento di analisi.

La superficie lunare è caratterizzata da una topografia in continua evoluzione, segnata dalla formazione millenaria di crateri, dalla distribuzione di depositi di ghiaccio e da intensi fenomeni di attività vulcanica. Nel corso dei decenni, sensori e strumenti di misurazione hanno monitorato incessantemente il nostro satellite naturale, generando un volume immenso di dati quantificabile in petabyte. Ciononostante, lo studio geologico e morfologico della Luna ha storicamente richiesto un impegno gravoso, costringendo i ricercatori ad analizzare manualmente mappe e immagini o a fare affidamento su modelli di machine learning frammentati e circoscritti a singole attività, caratterizzati da una risoluzione limitata e da un consumo ingente di risorse computazionali. Il nuovo modello congiunto supera brillantemente questi limiti, offrendo prestazioni superiori fino al 23% rispetto alle metodologie oggi più diffuse nell’identificazione delle principali caratteristiche geografiche della superficie lunare.

Le applicazioni pratiche di questo avanzato sistema di intelligenza artificiale spaziano in molteplici direzioni cruciali per la scienza planetaria. Tra queste spicca lo studio dei potenziali depositi di ghiaccio lunare, concentrati soprattutto nelle zone permanentemente in ombra, che rappresentano ambienti estremamente complessi da indagare ma fondamentali per confermare la presenza di acqua e ossigeno, risorse considerate indispensabili per le future basi lunari e per la produzione di carburante destinato alle missioni umane su Marte. Grazie alla combinazione di osservazioni multimodali e multi-risoluzione, il modello è in grado di prevedere con eccezionale precisione le aree in cui potrebbe trovarsi il ghiaccio nel sottosuolo, riducendo l’errore RMSE nell’identificazione di tali zone fino al 22% rispetto al modello tradizionale SwinV2-B.

Un ulteriore campo di applicazione di primaria importanza riguarda l’analisi della storia vulcanica della Luna, condotta attraverso lo studio delle particolari formazioni note come Irregular Mare Patches, essenziali per comprendere l'evoluzione termica del satellite e per pianificare in sicurezza le future operazioni sulla sua superficie. Sfruttando etichette di addestramento non perfette, il modello si dimostra capace di rappresentare l’estensione di tali strutture vulcaniche con una precisione superiore del 3% rispetto a SwinV2-B, garantendo al contempo un’elevata efficienza operativa e una drastica riduzione dei costi di fine-tuning. Altrettanto strategico risulta il rilevamento dei crateri, elementi fondamentali per datare i diversi terreni, comprenderne la geologia e selezionare siti di atterraggio sicuri evitando rischi geologici come pendii ripidi e massi. A una risoluzione di contesto di circa 100 metri, il modello supera le prestazioni dei sistemi precedenti di quasi il 19%, impiegando appena la metà dei dati di addestramento e classificando i crateri con una risoluzione metrica.

Dietro a questo straordinario risultato vi è un imponente lavoro di preparazione e unificazione dei dati, concretizzatosi nella realizzazione del primo dataset lunare open source strutturato per il machine learning. La raccolta aggrega oltre trenta livelli spazialmente allineati provenienti da nove strumenti scientifici impiegati in quattro distinte missioni spaziali, tra cui il Lunar Reconnaissance Orbiter e la missione GRAIL della NASA, oltre ai dati complementari della missione giapponese SELENE/Kaguya. Questo patrimonio informativo entra a far parte della rinomata famiglia Prithvi di foundation model aperti, offrendo alla comunità globale una base condivisa per accelerare le scoperte scientifiche senza la necessità di sviluppare ogni volta sistemi algoritmici partendo da zero. Come evidenziato dai vertici delle due organizzazioni, questa iniziativa dimostra concretamente come l'applicazione dell'intelligenza artificiale ai grandi archivi di dati scientifici possa trasformare radicalmente il nostro modo di esplorare e comprendere l'universo.