- Tras viajar alrededor de la luna, dos astronautas del Artemis II dicen adiós a volver al espacio: las razones de Wiseman y Glover
- Helios: el ordenador cuántico más preciso del mundo que podría cambiarlo todo
La NASA e IBM han consolidado una alianza estratégica e histórica tras el lanzamiento oficial de un innovador modelo de inteligencia artificial de código abierto diseñado para transformar por completo la exploración científica de la Luna. Esta potente herramienta tecnológica procesa y cruza petabytes de datos espaciales acumulados a lo largo de décadas de misiones orbitales, ofreciendo una precisión sin precedentes para identificar depósitos de hielo atrapados en los polos, automatizar y acelerar el inventario de cráteres de impacto y descubrir inusuales formaciones volcánicas que desafían lo que sabíamos sobre la evolución geológica de nuestro satélite.
El proyecto ha sido coordinado desde la sede central de la agencia espacial estadounidense por el equipo de IA Impact del Centro de Vuelo Espacial Marshall, en colaboración directa con expertos de los centros Goddard y Ames, así como de IBM Research. A este esfuerzo multidisciplinar se han sumado instituciones académicas de primer nivel como la Universities Space Research Association, el Instituto SETI, la Universidad Howard y la Universidad de Maryland en el condado de Baltimore. Para entrenar al sistema se ha empleado una imponente base de datos de aproximadamente 2 millones de imágenes procedentes de la sonda Lunar Reconnaissance Orbiter (LRO)—que incluye más de 1 millón de capturas de alta resolución a 1 metro y cerca de 964.000 imágenes multiespectrales a 100 metros—, complementadas con mediciones topográficas y geofísicas de las misiones GRAIL, Lunar Prospector y Selene/Kaguya de la JAXA japonesa.
A diferencia de los algoritmos convencionales que exigen un desarrollo individualizado para cada tarea, este sistema se basa en la arquitectura de los modelos fundacionales. Al estar preentrenado con una enorme masa de información no etiquetada, los investigadores pueden adaptarlo con solo una pequeña muestra de datos para tareas cartográficas complejas. En las pruebas de rendimiento, el modelo Prithvi ha mostrado una mejora de hasta el 23% en la identificación de características geográficas y ha reducido el margen de error hasta en un 22% en la detección de posibles depósitos de hielo polar frente al modelo de referencia SwinV2-B, además de superar en un 19% el reconocimiento de cráteres utilizando tan solo la mitad de los datos de entrenamiento.
IA cartográfica para desvelar los secretos del suelo lunar
“La NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna, pero la recopilación de datos es solo una parte del trabajo”, afirmó Kevin Murphy, director de datos científicos y director interino de datos e IA en la sede de la NASA en Washington. “También debemos facilitar a los científicos la exploración y el uso de los datos. El Modelo Fundacional Lunar de la NASA-IBM demuestra lo que es posible al aplicar la IA a los petabytes de datos científicos de la NASA. Esa es una oportunidad real que vemos en la IA: convertir grandes conjuntos de datos en nuevos descubrimientos”.
Entre sus utilidades más prometedoras figura el análisis de las regiones polares permanentemente sombreadas, donde las frías temperaturas atrapan hielo que resulta crucial tanto para descifrar la historia del sistema solar como para abastecer futuras misiones de exploración. En el ámbito del vulcanismo, el modelo ha demostrado una mejora del 3% respecto a los métodos tradicionales en la localización de los denominados mares irregulares (Irregular Mare Patches), estructuras de aspecto joven que desafían las teorías sobre el ritmo de enfriamiento lunar. Asimismo, la automatización del conteo y medición de cráteres permite realizar dataciones cronológicas precisas de los impactos de asteroides sin requerir semanas de trabajo manual por parte de los científicos.
Convertir petabytes de registros espaciales en conocimiento accesible marca el inicio de una nueva era para la cartografía y la investigación planetaria
Todo el ecosistema de este desarrollo —que incluye más de 30 capas de información geofísica alineadas espacialmente— se encuentra disponible de forma gratuita en plataformas abiertas como Hugging Face y GitHub, además de integrarse en el kit de herramientas TerraTorch para garantizar la reproducibilidad científica. Este lanzamiento amplía la familia de inteligencia artificial espacial desarrollada por ambas entidades, integrándose junto a la red Prithvi orientada a desastres naturales terrestres y al modelo Surya, diseñado para predecir erupciones solares y clima espacial.
Leave a Reply