The Pulse

NASA e IBM rendono open source un modello lunare per mappare ghiaccio e crateri

NASA e IBM hanno pubblicato il Lunar Foundation Model, un sistema open source addestrato su decenni di osservazioni lunari. Il modello è progettato per aiutare i ricercatori a individuare potenziali depositi di ghiaccio, crateri e formazion

AI.info Team · Scritto con l’IA · verificato · 2026-09-10

NASA e IBM mettono un modello condiviso al servizio della mappatura lunare

Il 10 settembre NASA e IBM hanno pubblicato un modello fondazionale open source progettato per analizzare la Luna attraverso dati raccolti con strumenti diversi, immagini a varie risoluzioni e compiti scientifici differenti. Il NASA-IBM Lunar Foundation Model è pensato per aiutare i ricercatori a individuare potenziali depositi di ghiaccio, mappare crateri e studiare formazioni vulcaniche senza dover costruire un sistema di apprendimento automatico distinto per ogni quesito.

La pubblicazione affronta una contraddizione insita nello studio della Luna: il nostro satellite è stato osservato con straordinario dettaglio, ma i dati ottenuti restano difficili da combinare. Spesso gli scienziati hanno dovuto esaminare manualmente mappe e immagini o addestrare modelli specializzati per singole applicazioni. IBM e NASA sostengono che un modello condiviso possa far emergere relazioni nascoste tra queste fonti, mentre la pubblicazione del software rende il lavoro accessibile ai ricercatori esterni alle due organizzazioni.

«La NASA ha dedicato decenni a costruire una documentazione scientifica straordinaria sulla Luna, ma raccogliere dati è solo una parte del lavoro», ha dichiarato Kevin Murphy, responsabile dei dati scientifici e responsabile ad interim dei dati e dell’IA presso la sede centrale della NASA a Washington. «Dobbiamo anche rendere i dati più facili da esplorare e utilizzare per gli scienziati».

Più di due milioni di riquadri di immagini lunari

Il modello si basa principalmente sulle osservazioni del Lunar Reconnaissance Orbiter della NASA, che ha esaminato gran parte della superficie lunare nel corso di una missione iniziata nel 2009. Secondo la NASA, per l’addestramento sono stati utilizzati circa 2 milioni di riquadri di immagini, tra cui più di 1 milione di immagini ad alta risoluzione, a circa 1 metro per pixel, e quasi 964.000 immagini multispettrali a 100 metri per pixel.

Ulteriori informazioni sul terreno e sulla gravità provengono da missioni tra cui GRAIL e Lunar Prospector della NASA, oltre che dai dati della missione giapponese SELENE/Kaguya. IBM e NASA descrivono la pubblicazione associata al modello come un dataset lunare open source che riunisce più di 30 livelli di dati allineati spazialmente, provenienti da nove strumenti impiegati in quattro missioni. Il modello e i dati sono disponibili su Hugging Face, mentre il codice per il fine-tuning e l’inferenza è pubblicato in un repository GitHub di NASA-IMPACT.

Ghiaccio, crateri e formazioni vulcaniche sono i primi test

I potenziali depositi di ghiaccio nelle regioni permanentemente in ombra sono uno degli obiettivi principali del modello. L’acqua potrebbe fornire riserve di acqua potabile e ossigeno, mentre l’idrogeno e l’ossigeno ricavati dall’acqua potrebbero sostenere la produzione di propellente per missioni successive. Secondo i risultati tecnici di IBM e NASA, il modello riduce fino al 22% l’errore nell’individuazione delle aree ad alto potenziale di presenza di ghiaccio rispetto a un modello SwinV2-B ampiamente utilizzato e addestrato su ImageNet.

La mappatura dei crateri offre un test diverso. I crateri aiutano gli scienziati a stimare l’età e la composizione del terreno lunare, mentre mappe dettagliate possono orientare la scelta dei siti di allunaggio e la pianificazione dei percorsi sulla superficie. Con una risoluzione del contesto di circa 100 metri, il modello ha superato lo stesso sistema usato per il confronto di quasi il 19%, utilizzando la metà dei dati di addestramento, secondo quanto riportato nella pubblicazione.

Il sistema segmenta anche le formazioni irregolari dei mari lunari, sottili strutture vulcaniche che possono aiutare gli scienziati a studiare la storia termica della Luna. IBM e NASA segnalano un miglioramento del 3% rispetto al metodo di confronto in questo compito, con un’accuratezza simile raggiunta a un costo di fine-tuning inferiore.

La pubblicazione open source ha un limite preciso

I ricercatori hanno accesso ai pesi del modello, ai file di configurazione, ai dataset e a esempi di applicazioni successive, ma non al codice completo del preaddestramento. Il repository GitHub si presenta come una pubblicazione dedicata al fine-tuning e all’inferenza, con esempi per il rilevamento dei crateri, la segmentazione delle formazioni vulcaniche e la valutazione del potenziale di presenza di ghiaccio. La distinzione è importante: scaricare il modello è semplice, mentre riprodurre l’addestramento originale richiede infrastrutture e dettagli che vanno oltre quanto disponibile nel repository pubblico.

Il modello è inoltre un punto di partenza, non un sostituto della valutazione geologica. I risultati dei suoi benchmark misurano le prestazioni in compiti di ricerca selezionati, non la capacità di prendere decisioni autonome per le missioni. Gli scienziati dovranno comunque tenere conto dei limiti dei sensori, delle etichette incerte e delle differenze tra le osservazioni orbitali e le condizioni incontrate da un veicolo da allunaggio o da un equipaggio.

La NASA aggiunge la Luna al suo programma di modelli fondazionali

Il sistema lunare si aggiunge alla famiglia Prithvi di modelli aperti sviluppati da NASA e IBM per i dati scientifici. Le pubblicazioni precedenti si concentravano sull’osservazione della Terra e sulla meteorologia, mentre il modello Surya applica un approccio simile all’eliofisica. La pubblicazione del modello lunare estende il programma dal monitoraggio della Terra e del Sole all’interpretazione di una superficie planetaria.

Juan Bernabe-Moreno, direttore di IBM Research Europe, UK and Ireland, ha dichiarato che il modello offre agli scienziati «una base per esplorare la Luna su larga scala, collegando osservazioni provenienti da strumenti diversi, rivelando schemi difficili da vedere isolatamente e fornendo una piattaforma aperta su cui la comunità mondiale della ricerca possa costruire».

Per ora, il risultato concreto è un modello pubblico addestrato su osservazioni lunari finora distribuite tra strumenti, risoluzioni e missioni differenti. I ricercatori possono scaricare i pesi, esaminare i benchmark e adattare il sistema a nuovi problemi di mappatura lunare tramite la pubblicazione su Hugging Face.