IBM y NASA presentan un modelo de inteligencia artificial para detectar hielo y cráteres en la Luna

IBM y la NASA presentaron en código abierto el Modelo de la Fundación Lunar NASA-IBM, uno de los primeros modelos de base disponibles públicamente para la exploración científica de la Luna. El sistema fue entrenado con un conjunto extenso de datos de observación lunar recopilado por investigadores de ambas instituciones.

Su función es transformar décadas de datos complejos, provenientes de múltiples instrumentos, en información útil para el establecimiento de una presencia humana permanente en la Luna.

La superficie lunar cambia con el tiempo. Ha formado cráteres, distribuido hielo y registrado actividad volcánica en distintas etapas. Durante décadas, sensores e instrumentos observaron ese proceso de forma continua y generaron petabytes de datos.

Hasta ahora, para estudiar esa superficie, los científicos debían examinar manualmente mapas e imágenes o recurrir a modelos de aprendizaje automático de baja resolución y diseñados para tareas específicas. Ese método exige gran capacidad de cálculo y suele carecer de la precisión necesaria para identificar y analizar las características geográficas de la Luna.

Qué es el modelo de la Fundación Lunar NASA-IBM y para qué sirve

El modelo de la Fundación Lunar NASA-IBM es un sistema de inteligencia artificial de código abierto entrenado con datos de observación lunar de múltiples instrumentos y misiones. Permite a los científicos identificar relaciones ocultas entre distintos tipos y resoluciones de datos, y así acelerar el estudio de fenómenos como el hielo, los cráteres y la actividad volcánica en la superficie de la Luna.

Con este modelo, los investigadores pueden analizar a gran escala fenómenos que antes requerían revisión manual o herramientas limitadas a una sola tarea. Entre esos fenómenos se cuentan los depósitos potenciales de hielo lunar, la historia volcánica del satélite y la detección de cráteres.

Kevin Murphy, director de datos científicos y director interino de datos e inteligencia artificial en la sede de la NASA en Washington, explicó el sentido de la herramienta: “La NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna, pero recopilar datos es solo una parte del trabajo. También debemos facilitar a los científicos la exploración y el uso de los datos”.

Murphy agregó: “El modelo de la Fundación Lunar NASA-IBM demuestra lo que es posible cuando aplicamos la IA a los petabytes de datos científicos de la NASA. Esa es una oportunidad real que vemos en la IA: convertir grandes volúmenes de datos en nuevos descubrimientos”.

Juan Bernabe-Moreno, director de IBM Research para Europa, Reino Unido e Irlanda, situó el aporte del modelo en la escala del desafío científico: “Para desvelar los misterios de la Luna se requiere la capacidad de aprender de un volumen extraordinario de datos científicos”.

Y sostuvo que la herramienta “proporciona a los científicos una base para explorar la Luna a gran escala, conectando observaciones de distintos instrumentos, revelando patrones difíciles de detectar de forma aislada y ofreciendo una plataforma abierta sobre la que la comunidad científica mundial puede seguir trabajando”.

Detección de hielo lunar en las regiones permanentemente sombreadas

Uno de los usos centrales del modelo apunta a las regiones permanentemente sombreadas de la Luna, entre los entornos más difíciles de observar del satélite. Esas zonas podrían albergar hielo bajo la superficie, un recurso que indica presencia de agua y oxígeno.

Ambos elementos se consideran esenciales para sostener una futura base lunar y para producir combustible de cohetes en misiones posteriores hacia Marte.

El modelo NASA-IBM combina observaciones multimodales y de múltiples resoluciones para predecir en qué zonas podría concentrarse ese hielo. Un documento técnico elaborado por NASA e IBM muestra que el sistema redujo el error cuadrático medio en la identificación de áreas con alto potencial de hielo lunar hasta en un 22% en comparación con el modelo SwinV2-B (ImageNet).

Mapeo de cráteres y estudio de la historia volcánica lunar

Los cráteres figuran entre las características más distintivas de la Luna y aportan pistas sobre su historia: la edad de distintos terrenos, su geología y la composición química del interior lunar primitivo.

Su mapeo también es clave para que la NASA seleccione lugares de aterrizaje seguros, evite riesgos como pendientes pronunciadas o rocas, y planifique la ubicación de infraestructura lunar a largo plazo.

Con el nuevo modelo, los investigadores pueden identificar, contextualizar y clasificar cráteres con resolución de escala métrica. El documento técnico citado muestra una precisión comparable a la de modelos de última generación como SwinV2-B, con mayor eficiencia y menores costos de ajuste fino.

En resolución de escala contextual, de unos 100 metros, el modelo supera a SwinV2-B en casi un 19% utilizando solo la mitad de los datos de entrenamiento.

El sistema también permite estudiar los Parches Irregulares de Mare, formaciones volcánicas que ayudan a comprender la historia volcánica y la evolución térmica de la Luna. La identificación de estas regiones cambiantes resulta, además, estratégica para futuras operaciones en la superficie.

Utilizando etiquetas imperfectas, el modelo captura la extensión de esas formaciones volcánicas con una precisión 3% superior a la del SwinV2-B, y logra un desempeño comparable con mayor eficiencia y menores costos de ajuste fino.

Un conjunto de datos lunares unificado y de acceso abierto

Pese a la enorme cantidad de información disponible sobre la Luna, no existía hasta ahora un conjunto de datos unificado y de acceso público que integrara los registros multimodales y de múltiples resoluciones en un marco común apto para el aprendizaje automático moderno.

Científicos de IBM y la NASA construyeron, junto al modelo, el primer conjunto de datos lunares de código abierto de este tipo. Se trata de una base de datos unificada y lista para el aprendizaje automático que agrega más de 30 capas alineadas espacialmente, obtenidas de nueve instrumentos pertenecientes a cuatro misiones distintas.

Ese conjunto combina decenas de miles de imágenes y mapas con propiedades geofísicas únicas de la superficie lunar, generados por el Orbitador de Reconocimiento Lunar y la misión GRAIL de la NASA.

A esos registros se suman datos complementarios de la misión SELENE/Kaguya, de la Agencia Japonesa de Exploración Aeroespacial, lo que aporta una visión multimodal de la superficie y el subsuelo lunares disponible para toda la comunidad científica.