La NASA crea con IBM una inteligencia artificial para localizar hielo y nuevos cráteres en la Luna
La NASA quiere extraer más información de las imágenes de la Luna antes de ampliar la exploración humana del satélite. Para ello, la agencia espacial estadounidense ha desarrollado junto a IBM y varias instituciones académicas un modelo de inteligencia artificial capaz de analizar grandes volúmenes de datos lunares y adaptarse a distintas tareas científicas.
El sistema, denominado NASA-IBM Lunar Foundation Model, se ha publicado como código abierto. Su objetivo es acelerar el estudio de la superficie lunar, desde la identificación de cráteres hasta la localización de regiones polares con condiciones favorables para conservar hielo.
Un archivo lunar difícil de procesar manualmente
La misión Lunar Reconnaissance Orbiter lleva 17 años observando la Luna. Durante este tiempo ha construido uno de los archivos más detallados sobre su superficie, con imágenes y mediciones de una parte muy amplia del terreno lunar.
La NASA asegura que el volumen de datos generado por esta misión supera al reunido por el resto de sus misiones planetarias combinadas. El desafío, por tanto, ya no consiste únicamente en obtener nuevas imágenes, sino en analizarlas con la rapidez suficiente para encontrar patrones relevantes.
El modelo desarrollado con IBM se ha entrenado con cerca de dos millones de fragmentos de imágenes, conocidos como teselas. El conjunto incluye más de un millón de imágenes de alta resolución, con aproximadamente un metro por píxel, y cerca de 964.000 observaciones multiespectrales, con una resolución aproximada de 100 metros por píxel.
Las imágenes multiespectrales registran información en diferentes partes del espectro electromagnético, algunas no visibles para el ojo humano. Esto permite detectar diferencias en la composición y las propiedades de los materiales de la superficie lunar.
El entrenamiento también ha incorporado datos de otras misiones, como GRAIL, Lunar Prospector y la japonesa Kaguya. La combinación de estas fuentes proporciona al sistema una visión más completa del relieve, la composición y la estructura de la Luna.
Qué es un modelo fundacional de inteligencia artificial
Un modelo fundacional es un sistema de inteligencia artificial que aprende primero patrones generales a partir de grandes cantidades de datos. A diferencia de un programa diseñado para una única función, puede reutilizar ese conocimiento y adaptarse después a tareas específicas con un entrenamiento adicional más reducido.
En este caso, el modelo no necesita empezar desde cero cada vez que los investigadores quieren identificar cráteres, analizar volcanes o estudiar los polos. Los científicos pueden ajustarlo para una aplicación concreta, un proceso conocido como adaptación o ajuste fino.
Esta estrategia puede ahorrar tiempo y recursos. También facilita que distintos equipos de investigación trabajen sobre una base común, en lugar de desarrollar sistemas independientes para cada tipo de análisis.
Una herramienta para buscar hielo en los polos
Una de las aplicaciones más prometedoras está en las regiones polares de la Luna. Algunas depresiones permanecen en sombra permanente, por lo que reciben muy poca radiación solar. En esos lugares podrían haberse conservado depósitos de hielo durante miles de millones de años.
El modelo no detecta directamente agua congelada ni confirma que exista hielo en un punto concreto. Lo que calcula es la llamada prospectividad de hielo: una estimación de qué zonas reúnen condiciones favorables para que el hielo pueda existir y mantenerse estable, tanto en la superficie como bajo ella.
Esta información puede ser útil para seleccionar objetivos de futuras misiones robóticas y tripuladas. El agua lunar tendría interés científico, pero también podría convertirse en un recurso local para el consumo, la producción de oxígeno y la obtención de hidrógeno y oxígeno destinados a posibles combustibles.
La localización de estos depósitos resulta especialmente relevante mientras la NASA prepara nuevas misiones humanas alrededor de la Luna y, a más largo plazo, planes de regreso a su superficie. Sin embargo, el modelo no se ha presentado como un sistema de certificación de lugares de aterrizaje ni como una herramienta operativa para despejar riesgos.
Más rapidez para encontrar cráteres y volcanes
Los cráteres lunares son mucho más que accidentes geográficos. Cada uno conserva la huella de un impacto y su distribución ayuda a estimar la edad relativa de distintas regiones, además de aportar información sobre la evolución del sistema solar.
La NASA puso a prueba el modelo con imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein. El sistema consiguió resaltar el nuevo cráter junto a otros ya existentes, aunque la imagen posterior no había formado parte de su entrenamiento inicial.
El experimento muestra que la inteligencia artificial puede ajustarse para reconocer cambios recientes en el terreno lunar. Esta capacidad podría facilitar la detección de impactos, desprendimientos y otras modificaciones de la superficie.
Otra aplicación está relacionada con las irregular mare patches, pequeñas estructuras volcánicas cuyo aspecto parece mucho más joven de lo esperado. Su existencia sugiere que la actividad volcánica lunar pudo prolongarse más tiempo del que se creía.
Localizar y cartografiar estas formaciones con mayor rapidez permitirá comparar más regiones y estudiar mejor cómo se enfrió el interior de la Luna. También puede ayudar a revisar las estimaciones sobre cuándo terminó la actividad volcánica del satélite.
Un punto de partida, no una respuesta definitiva
El rendimiento del modelo varía según la tarea. La NASA indica que igualó o superó a varios sistemas de referencia, con una ventaja especialmente clara al estimar la prospectividad de hielo. En la identificación de cráteres y estructuras volcánicas, las diferencias fueron más ajustadas.
Como cualquier sistema de inteligencia artificial, sus resultados deben ser revisados y validados por especialistas. El modelo sirve para priorizar zonas, detectar patrones y acelerar análisis, pero no sustituye las mediciones directas ni confirma por sí solo la existencia de recursos.
Su principal aportación es ofrecer una base abierta y reutilizable para estudiar un archivo lunar que sigue creciendo. Con ella, los investigadores pueden dedicar menos tiempo a localizar indicios en millones de imágenes y más a responder preguntas sobre el origen, la evolución y el futuro de nuestro satélite.
