Una IA lunar desarrollada por la NASA junto a IBM promete cambiar la forma en que se estudia la superficie de nuestro satélite, justo cuando la agencia prepara el regreso de astronautas allí. Durante 17 años, la Lunar Reconnaissance Orbiter ha fotografiado y medido la Luna hasta reunir uno de los archivos más detallados que existen. La NASA asegura que esa misión ha generado más datos que todas sus otras misiones planetarias juntas, con una cobertura que permite mirar buena parte del terreno lunar a gran resolución. El problema ya no es tener información, sino procesarla lo bastante rápido para sacar de ella patrones que sirvan de algo.
Para eso nace el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial especializado en ciencia lunar y entrenado sobre todo con observaciones de la Lunar Reconnaissance Orbiter. Se ha publicado como código abierto y puede adaptarse a tareas muy concretas, desde cartografiar cráteres hasta estudiar las regiones polares o ciertas estructuras volcánicas. La idea no es sustituir el trabajo de los científicos, sino acelerar una parte que, con los métodos de siempre, obligaba a crear y entrenar sistemas distintos para cada tarea.
Cómo se ha entrenado esta inteligencia artificial con la Luna
La clave está en el entrenamiento. Un modelo fundacional aprende primero patrones generales a partir de muchísimos datos, sin necesidad de que cada imagen esté etiquetada. Aquí el sistema procesó cerca de dos millones de teselas, en su mayoría de la LRO. Más de un millón eran imágenes de alta resolución, de alrededor de un metro por píxel, y casi 964.000 observaciones multiespectrales, de unos 100 metros por píxel. También se sumó información de otras misiones, entre ellas GRAIL, Lunar Prospector y la japonesa Kaguya.
Uno de los usos más interesantes está en los polos lunares, donde hay zonas siempre en sombra que podrían conservar hielo durante miles de millones de años. Eso sí, el modelo no detecta agua helada de forma directa. Lo que hace es estimar la llamada prospectividad de hielo, o sea, señalar qué lugares reúnen las condiciones más favorables para que ese hielo exista y se mantenga estable, en la superficie o debajo de ella. Saber dónde buscar importa por dos razones. Por un lado, estudiarlo ayuda a entender la historia de la Luna. Por otro, ese agua podría convertirse en un recurso local para futuras misiones, útil para consumo y, procesada, capaz de dar hidrógeno y oxígeno para soporte vital o combustible.
Link affiliatoCráteres, estructuras volcánicas y lo que todavía no puede hacer
Los cráteres ofrecen otra aplicación muy útil, porque cada uno es la huella de un impacto y contarlos ayuda a reconstruir la edad relativa de cada zona. La NASA probó el modelo con imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein, y consiguió resaltar el nuevo cráter junto a otros ya conocidos. La imagen posterior no formaba parte del preentrenamiento, así que el experimento muestra que el sistema puede ajustarse luego para reconocer cambios que al principio no había visto.
También sirve para localizar las llamadas irregular mare patches, pequeñas estructuras volcánicas con un aspecto raramente joven para lo que se esperaba de la Luna. Algunas parecen haberse formado mucho después de la gran etapa volcánica del satélite, lo que ha empujado a los científicos a revisar cuándo terminó ese proceso. Los resultados, eso sí, no son iguales en todo. La NASA señala que el modelo igualó o superó a varios sistemas de referencia, con su ventaja más clara en la prospectividad de hielo, mientras que en cráteres y estructuras volcánicas las diferencias fueron más ajustadas. Tampoco está validado para certificar zonas de alunizaje ni para descartar riesgos operativos. Su valor está en otro sitio, ofrecer una base abierta y reutilizable con la que analizar más deprisa un archivo lunar que no para de crecer.
Fuente
Imagen: xataka.com