La NASA e IBM han dado un nuevo paso para incorporar la inteligencia artificial al estudio de la Luna, con el lanzamiento de un modelo de IA de código abierto diseñado específicamente para analizar la superficie del satélite. El sistema pretende convertir décadas de observaciones espaciales en una herramienta capaz de acelerar la investigación científica y contribuir a la planificación de futuras misiones lunares.

El modelo ha sido desarrollado a partir de una enorme cantidad de datos procedentes de distintas misiones espaciales. Su entrenamiento se ha basado principalmente en información recopilada durante años por la Lunar Reconnaissance Orbiter (LRO) de la NASA, cuya misión ha permitido cartografiar prácticamente toda la superficie lunar con un elevado nivel de detalle.

En total, el nuevo sistema ha trabajado con alrededor de dos millones de fragmentos de imágenes, que incluyen más de un millón de imágenes de alta resolución obtenidas a un metro de resolución y cerca de 964.000 imágenes multiespectrales a 100 metros. También incorpora información de otras misiones, como GRAIL, Lunar Prospector y la japonesa SELENE/Kaguya, según una nota de prensa de la NASA.

La principal diferencia frente a los sistemas tradicionales de aprendizaje automático reside en su carácter de modelo fundacional. En lugar de crear y entrenar desde cero un algoritmo distinto para cada problema científico, el modelo adquiere primero una representación general de los datos y después puede adaptarse a tareas concretas mediante un proceso de ajuste mucho más ligero. El objetivo es que distintos equipos puedan reutilizar la misma base tecnológica para investigaciones muy diferentes.

Entre las aplicaciones iniciales, IBM destaca en un comunicado tres ámbitos concretos. El primero es la cartografía de cráteres, incluidos aquellos de menor tamaño que todavía no están catalogados. El segundo es el análisis de las formaciones geológicas relacionadas con el pasado volcánico de la Luna.

El tercero, y uno de los más relevantes para futuras misiones tripuladas, es la búsqueda de hielo en las regiones polares. Los depósitos de hielo lunar podrían convertirse en un recurso estratégico para las futuras tripulaciones, tanto como fuente de agua como para producir oxígeno y, potencialmente, combustible.

Las pruebas realizadas por los investigadores apuntan a mejoras significativas en determinadas tareas. Según IBM, el modelo consiguió reducir en un 22 % el error frente a un sistema avanzado empleado para detectar posibles zonas de hielo. La NASA señala, además, que el nuevo sistema igualó o superó a distintos modelos de referencia en las pruebas realizadas, con una ventaja particularmente clara a la hora de estimar la estabilidad del hielo en las regiones polares.

El sistema también ha demostrado su utilidad para identificar cambios recientes en la superficie lunar. En una de las pruebas, fue capaz de detectar un nuevo cráter provocado por el impacto de un objeto espacial, pese a que la imagen posterior al impacto no había formado parte de los datos utilizados durante el entrenamiento inicial.

Este tipo de capacidad podría facilitar la vigilancia automatizada de transformaciones, en un territorio que resulta extremadamente difícil de estudiar de manera exhaustiva mediante análisis humanos.

La herramienta puede identificar estructuras de la superficie lunar y posibles zonas de hielo, dos recursos clave para la próxima etapa de exploración del satélite. / Crédito: IBM.

Otro elemento clave del proyecto es su carácter abierto. NASA e IBM han publicado el modelo junto con el código fuente, conjuntos de datos preparados para aprendizaje automático y colecciones de referencia para evaluar su rendimiento. El modelo está disponible públicamente a través de Hugging Face y su código puede consultarse en GitHub, lo que permite a investigadores de todo el mundo probarlo, adaptarlo y compararlo con otras soluciones.

El lanzamiento amplía una colaboración entre NASA e IBM que ya había dado lugar a modelos de IA como Prithvi, orientado a la observación de la Tierra, y Surya, desarrollado para aplicaciones relacionadas con la actividad solar y el clima espacial.

La estrategia pasa ahora por trasladar esa misma filosofía al entorno lunar: utilizar la IA para extraer conocimiento de grandes volúmenes de información y facilitar que científicos y futuros equipos de exploración trabajen con ella de forma más rápida y flexible.

En un momento en el que Estados Unidos prepara nuevas etapas de su programa Artemis y aspira a establecer una presencia humana más sostenida en la Luna, herramientas como esta pueden desempeñar un papel cada vez más importante. La ambición es clara: que la IA ayude a convertir décadas de observaciones lunares en conocimiento útil para decidir dónde investigar, qué recursos buscar y cómo preparar la próxima generación de exploradores robóticos lunares.

Fuente: Levante - EMV