Durante casi dos décadas, la Lunar Reconnaissance Orbiter ha observado la Luna con un nivel de detalle extraordinario. Sus cámaras e instrumentos han generado uno de los mayores archivos científicos disponibles sobre la superficie lunar, hasta el punto de que la NASA asegura que la misión ha producido más datos que todas sus demás misiones planetarias combinadas.
El desafío ya no consiste únicamente en obtener nuevas imágenes, sino en analizar con rapidez todo ese material. Y ese problema se vuelve especialmente importante mientras la agencia prepara nuevas misiones humanas al entorno lunar.
Para facilitar esa tarea, la NASA e IBM, junto con varias instituciones académicas, desarrollaron el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial especializado en datos lunares. Su objetivo es ofrecer una herramienta reutilizable que pueda adaptarse a diferentes investigaciones sin necesidad de entrenar desde cero un sistema distinto para cada problema.
Una IA que aprendió observando millones de imágenes de la Luna
El modelo fue entrenado principalmente con información procedente de la Lunar Reconnaissance Orbiter. Durante ese proceso analizó cerca de dos millones de fragmentos de datos, entre ellos más de un millón de imágenes de alta resolución, capaces de mostrar detalles de aproximadamente un metro por píxel.
También incorporó unas 964.000 observaciones multiespectrales con una resolución cercana a los 100 metros por píxel, además de información procedente de otras misiones como GRAIL, Lunar Prospector y la sonda japonesa Kaguya.
A diferencia de un modelo creado únicamente para reconocer cráteres o detectar una característica concreta, un modelo fundacional aprende primero patrones generales del terreno. Después puede ajustarse para resolver tareas específicas utilizando cantidades menores de datos etiquetados.
Buscar los lugares donde podría esconderse hielo
Una de sus aplicaciones más interesantes está en las regiones polares de la Luna. Allí existen cráteres que permanecen permanentemente en sombra y cuyas temperaturas extremadamente bajas podrían haber permitido conservar hielo durante miles de millones de años.
La inteligencia artificial no observa directamente agua congelada. En cambio, calcula la denominada prospectividad de hielo, identificando lugares que presentan condiciones favorables para que este material pueda existir y mantenerse estable tanto en la superficie como bajo ella.
Localizar estos depósitos resulta importante para comprender mejor la historia lunar y la llegada de sustancias volátiles al satélite. Pero también existe una razón práctica: en futuras misiones, el agua podría utilizarse localmente para consumo y, después de ser procesada, proporcionar oxígeno e hidrógeno para sistemas de soporte vital o incluso para producir propelentes.
Detectar cráteres nuevos y reconstruir la historia lunar
Otra de las tareas probadas consiste en reconocer cráteres. Estas estructuras permiten estimar la edad relativa de distintas regiones y reconstruir parte de la historia de impactos sufrida por la Luna y por el sistema solar.
Los investigadores probaron el modelo utilizando imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein. La IA consiguió distinguir el nuevo cráter junto con otros ya existentes, a pesar de que la imagen posterior al impacto no había formado parte de su entrenamiento original.
El sistema también puede ayudar a localizar las llamadas irregular mare patches, pequeñas formaciones volcánicas cuyo aspecto parece considerablemente más joven que el terreno que las rodea. Su estudio podría aportar nuevas pistas sobre cuánto tiempo permaneció activa la actividad volcánica lunar.
El modelo todavía no está pensado para decidir dónde debe aterrizar una nave ni para evaluar directamente riesgos operativos. Su principal utilidad es ofrecer a la comunidad científica una herramienta abierta capaz de acelerar el análisis de enormes cantidades de información.
A medida que el archivo lunar siga creciendo, este tipo de inteligencia artificial podría ayudar a encontrar patrones que serían mucho más difíciles de detectar manualmente y permitir que los investigadores dediquen más tiempo a interpretar los resultados que a procesar millones de imágenes.
