Una IA entrenada con décadas de observaciones
La exploración de la Luna ha generado durante años una cantidad enorme de imágenes, mapas y mediciones. El problema es que ese volumen de información crece mucho más rápido de lo que puede analizarse manualmente.
Para aprovechar mejor esos archivos, NASA e IBM desarrollaron el NASA-IBM Lunar Foundation Model, un modelo fundacional de inteligencia artificial diseñado específicamente para trabajar con datos de teledetección lunar. El sistema fue entrenado principalmente con observaciones de la Lunar Reconnaissance Orbiter (LRO), una misión que lleva años cartografiando la superficie del satélite.
El conjunto de entrenamiento reúne aproximadamente dos millones de bloques de imágenes, incluyendo más de un millón de imágenes de alta resolución y casi otro millón de observaciones multiespectrales.
Pero la IA no trabaja solamente con fotografías.
Once tipos diferentes de información sobre la Luna
NASA e IBM combinaron datos procedentes de diferentes instrumentos y misiones, entre ellas LRO, GRAIL, Lunar Prospector y la japonesa SELENE/Kaguya.
El resultado es un conjunto multimodal formado por más de 30 capas de información espacialmente alineadas, procedentes de nueve instrumentos y cuatro misiones. Eso permite observar un mismo lugar desde perspectivas muy distintas.
Una imagen puede mostrar la forma de un cráter, mientras que otros instrumentos aportan información sobre topografía, reflectancia, condiciones de iluminación o propiedades geofísicas. El modelo intenta aprender las relaciones existentes entre todas esas observaciones.
No está diseñado para hacer una sola tarea
Ahí aparece la principal diferencia frente a muchos algoritmos tradicionales.
Un modelo convencional puede entrenarse específicamente para detectar cráteres. Un modelo fundacional, en cambio, primero aprende patrones generales a partir de enormes cantidades de datos y después puede adaptarse a diferentes tareas mediante fine-tuning.
NASA e IBM ya probaron el sistema para identificar cráteres y estudiar distintas características de la superficie lunar.
También puede utilizarse para analizar una de las cuestiones más importantes para futuras misiones: dónde podría existir hielo de agua.
Puede señalar dónde buscar hielo, pero no detectarlo directamente
Las regiones polares de la Luna contienen cráteres cuyo interior permanece permanentemente en sombra.
Esas zonas interesan especialmente porque podrían conservar depósitos de hielo, un recurso potencialmente importante para futuras misiones humanas. El modelo puede combinar diferentes capas de información y estimar qué regiones tienen características compatibles con una mayor probabilidad de albergarlo. Pero existe una diferencia importante: la IA no está detectando directamente hielo bajo la superficie.
Está reconociendo relaciones estadísticas dentro de los datos disponibles y generando mapas de prospectividad que podrían servir para decidir dónde conviene investigar con mayor detalle.
La IA no sustituye a los científicos ni a las misiones
El modelo tampoco puede descubrir por sí solo cómo funciona la Luna.
Sus resultados dependen de la calidad y representatividad de los datos utilizados durante el entrenamiento. Una predicción debe contrastarse después con observaciones independientes y con el conocimiento de especialistas.
Su utilidad está precisamente en otra parte: puede procesar enormes cantidades de información, detectar patrones y ayudar a identificar regiones o fenómenos que merecen una investigación más profunda.
NASA e IBM ya han aplicado una estrategia similar a otros campos mediante modelos como Prithvi, centrado en observaciones de la Tierra, y Surya, desarrollado para estudiar el Sol.
El modelo lunar representa así un cambio en la forma de explorar otros mundos.
Durante décadas, avanzar significó principalmente enviar mejores cámaras e instrumentos al espacio. Ahora aparece una nueva frontera: aprender a extraer mucha más información de todo lo que esas misiones ya observaron.
