Il nuovo modello di intelligenza artificiale sviluppato da NASA e IBM per studiare la Luna riduce del 22% l'errore nell'individuare il ghiaccio ai poli lunari rispetto ai modelli generalisti. Il rilascio, gratuito e con licenza open source Apache 2.0 su Hugging Face, è del 10 settembre 2026.
Un modello addestrato su 2 milioni di bundle e 11 modalità
Il NASA-IBM Lunar Foundation Model nasce dal dataset SomBench: quasi due milioni di bundle di dati co-registrati che combinano immagini, topografia, geometria dell'illuminazione, proprietà termofisiche, mineralogia, radar e gravità della superficie lunare. Undici modalità e due scale spaziali diverse, integrate in un unico set di addestramento. La base sono le osservazioni di nove strumenti scientifici imbarcati su quattro missioni, con il contributo maggioritario del Lunar Reconnaissance Orbiter: la sonda lanciata a giugno 2009 e ancora in orbita a diciassette anni di distanza, che ha mappato la superficie fino a una risoluzione di 50 centimetri per pixel. I dati raccolti da LRO superano quelli di tutte le altre missioni planetarie americane messe insieme.
Sul ghiaccio -22% di errore, sui crateri -19% con metà dei dati
Le prime metriche pubblicate dai team di NASA e IBM sono la parte più interessante per chi lavora nella ricerca planetaria. Sulla previsione di ghiaccio d'acqua nei crateri in permanente ombra ai poli lunari, il modello ha ridotto del 22% l'errore rispetto alla baseline SwinV2-B, un'architettura visiva generalista già usata in ambito scientifico. Sul riconoscimento automatico dei crateri a risoluzione di 100 metri per pixel, il miglioramento è del 19% mentre il modello lavora con la metà dei dati di training rispetto alla baseline. Sono numeri che pesano perché rispondono al problema pratico di ogni gruppo di ricerca planetaria: passare da una massa di immagini grezze a una classificazione affidabile senza dover annotare a mano decine di migliaia di regioni di interesse. Il terzo compito valutato è la mappatura delle mare patches irregolari, formazioni vulcaniche recenti la cui identificazione automatica era finora fragile. Il codice è disponibile su GitHub insieme ai dataset di benchmark, e chiunque può fare fine-tuning su compiti nuovi. Il modello si aggiunge alla famiglia Prithvi di IBM, che già includeva foundation model open per l'osservazione della Terra, la meteorologia e l'eliofisica.
Un tassello per Artemis e per la didattica universitaria
Le applicazioni concrete riguardano tre filoni: mappatura dei crateri, individuazione di formazioni vulcaniche recenti e localizzazione delle aree ai poli lunari in cui potrebbe trovarsi ghiaccio d'acqua. Sono tutti dati che servono a scegliere i siti di allunaggio delle missioni Artemis e a pianificare le prossime spedizioni robotiche verso il polo sud lunare, dove la presenza di acqua allo stato solido cambierebbe il perimetro di quello che una base umana può fare in autonomia. L'apertura del modello e del dataset ha un effetto immediato anche per università e dottorandi: chi lavora su cosmologia dalle basi lunari, geologia planetaria o osservazione dello spazio profondo ha ora uno strumento pronto all'uso per estrarre feature dalle immagini di LRO senza dover addestrare una rete da zero. Un corso di laurea magistrale può usare la stessa infrastruttura del centro Nasa Goddard per una tesi sperimentale, cosa che fino a un anno fa richiedeva accordi bilaterali o accessi a data lake proprietari.
In Italia convivono progetti diversi che dialogano con questa infrastruttura: CosmoCube, il CubeSat di Cambridge per l'alba cosmica dalla Luna appoggerà osservazioni radio dallo stesso satellite terrestre, mentre il modello DFR di Sergio Doplicher celebrato dai Lincei mostra quanto tempo passi tra un'intuizione teorica e la sua verifica sperimentale. Anche i grant privati alla ricerca di base, come il finanziamento Leo Foundation ricevuto da Marta Giacomello a Padova, mostrano come le infrastrutture aperte cambino il rapporto costi-risultati per un laboratorio universitario.
La pagina ufficiale NASA del Lunar Foundation Model elenca gli strumenti scientifici usati per l'addestramento e i benchmark disponibili. Il prossimo passo pratico riguarda i gruppi di ricerca italiani che sceglieranno se costruire i propri strumenti di analisi lunare sopra questa base condivisa o continuare a partire da zero.