Immagine della Luna analizzata da modello AI, dati scientifici e ricerca spaziale
La NASA e IBM hanno ufficialmente rilasciato il NASA-IBM Lunar Foundation Model, un’architettura di intelligenza artificiale interamente open source concepita per supportare le prossime fasi dell’esplorazione lunare. Il sistema è accessibile pubblicamente sulla piattaforma Hugging Face.
Lo strumento analizza immagini e flussi di dati complessi per accelerare la mappatura geologica della superficie. Il modello identifica con precisione crateri, strutture di origine vulcanica e formazioni compatibili con la presenza di ghiaccio nel sottosuolo.
L’annuncio del 10 settembre 2026 consolida un’intesa industriale e scientifica avviata oltre sessant’anni fa, dalle prime missioni che portarono l’essere umano sul suolo lunare.
Precisione aumentata e il test sul frammento di Falcon 9
I test prestazionali evidenziano un abbattimento degli errori del 23% rispetto alle metodologie analitiche convenzionali finora impiegate. L’algoritmo ha mostrato un’elevata sensibilità nell’interpretazione dei rilievi più complessi e degradati.
In una sessione di validazione, l’AI ha riconosciuto il cratere originato dall’impatto di un vettore SpaceX Falcon 9, distinguendolo con successo nonostante la sua sovrapposizione a una cavità preesistente.
Bernabé-Moreno, direttore di IBM Research per Regno Unito, Irlanda ed Europa, ha specificato: “Ha funzionato in modo fantastico”, confermando l’efficacia del modello nel discernere dettagli geometrici stratificati e disomogenei.
Il primo dataset lunare multi-modale aperto a tutti
In parallelo al modello neurale, NASA e IBM hanno diffuso un dataset coordinato inedito per la comunità scientifica globale. Il repository unifica i rilievi ottenuti da nove strumenti scientifici distribuiti su quattro missioni lunari distinte.
Tutti i set di dati sono stati co-registrati su una griglia coerente, consentendo la corrispondenza univoca di ogni pixel con misurazioni e lunghezze d’onda raccolte da sensori differenti.
La dispersione e l’eterogeneità dei dati d’archivio avevano finora costituito un ostacolo primario per l’addestramento di modelli di visione artificiale planetari.
Il superamento delle sfide ottiche della superficie lunare
L’assenza di atmosfera e la presenza di ombre nere estremamente nette rappresentano una barriera critica per i convenzionali sistemi di visione artificiale. I contrasti marcati e l’illuminazione radente alterano radicalmente la percezione dei contorni fisici del terreno.
I ricercatori hanno aggirato il limite dividendo la Luna in sezioni geometriche distinte, separando rigorosamente le coordinate per la fase di addestramento da quelle per i test di verifica. La procedura assicura uniformità analitica su entrambi gli emisferi senza distorsioni causate dall’angolo di incidenza solare.
