Un nuevo modelo de inteligencia artificial de código abierto, entrenado con aproximadamente 2 millones de imágenes lunares, puede mapear cráteres, identificar terrenos volcánicos inusuales y estimar dónde podría permanecer estable el hielo cerca de los polos de la Luna, según anunciaron el jueves la NASA e IBM. El modelo NASA-IBM Lunar Foundation combina más de 1 millón de imágenes de alta resolución de cámaras con casi 964 000 imágenes multiespectrales, lo que proporciona a los investigadores una base técnica reutilizable para diversos tipos de análisis lunares, en lugar de un modelo independiente para cada tarea.

El comunicado público de la NASA describe el sistema como uno de los primeros modelos básicos de código abierto diseñados específicamente para la ciencia lunar. Sus ponderaciones, modelos derivados, datos de referencia y código están disponibles para pruebas externas. Esta apertura es importante porque el valor del modelo dependerá no solo del rendimiento de referencia reportado por sus creadores, sino también de si investigadores independientes pueden reproducir los resultados y adaptar el sistema de manera confiable a diferentes instrumentos, condiciones de iluminación y preguntas científicas.

En las evaluaciones iniciales, el modelo igualó o superó varios parámetros de referencia sólidos en el mapeo de cráteres y la segmentación de zonas irregulares de mare, mostrando una clara ventaja en la estimación de la estabilidad del hielo polar. Según Reuters. Estos resultados son prometedores, pero miden el rendimiento en tareas de investigación específicas, no en una decisión de aterrizaje definitiva ni en la prueba de la disponibilidad de agua recuperable.

Un modelo general para datos lunares

Los modelos básicos se entrenan con grandes conjuntos de datos para que sus representaciones aprendidas puedan adaptarse a diversas tareas posteriores con cantidades relativamente pequeñas de datos etiquetados. En la investigación lunar, este enfoque puede reducir la necesidad de que los científicos diseñen y entrenen un modelo especializado desde cero cada vez que quieran contar cráteres, segmentar una formación geológica o comparar cambios en la superficie. El nuevo modelo actúa como una estructura visual común que puede ajustarse para un problema científico específico.

Los datos de entrenamiento provienen principalmente del Orbitador de Reconocimiento Lunar (LRO) de la NASA, que estudia la Luna desde 2009. El registro de la misión incluye un mapeo casi global de la superficie, junto con mediciones de temperatura, composición y radiación. La NASA afirma que el volumen de datos del LRO supera el de todas sus demás misiones planetarias combinadas, lo que hace que el archivo sea valioso, pero difícil de examinar exhaustivamente mediante una revisión manual.

El modelo también incorpora imágenes e información del terreno de las misiones Gravity Recovery and Interior Laboratory y Lunar Prospector de la NASA, así como del Selenological and Engineering Explorer de Japón. La combinación de diferentes modalidades permite al sistema reconocer relaciones difíciles de extraer de un solo tipo de imagen. Las fotografías de alta resolución muestran detalles finos de la superficie, mientras que las observaciones multiespectrales y las capas del terreno proporcionan información sobre la composición, la elevación y la iluminación.

Tres pruebas con valor práctico

La detección de cráteres es la aplicación más intuitiva. Los científicos utilizan el número, el tamaño y la distribución de los cráteres de impacto para estimar la edad relativa de las superficies lunares y reconstruir partes de la historia del sistema solar. La automatización de la detección en vastos archivos puede acelerar este trabajo y facilitar la comparación consistente de regiones, aunque la revisión humana sigue siendo importante cuando las sombras, los bordes superpuestos o las imágenes de baja resolución generan ambigüedad.

Una segunda tarea consiste en identificar zonas irregulares de origen volcánico, pequeñas formaciones volcánicas que parecen más jóvenes que gran parte del terreno circundante. Su cartografía ayuda a los investigadores a poner a prueba las explicaciones sobre la evolución volcánica y térmica de la Luna. El modelo permite segmentar estas formaciones con mayor rapidez que una búsqueda manual, lo que posibilita a los científicos dedicar más tiempo a interpretar su distribución y a decidir qué lugares merecen una observación más detallada.

La tercera aplicación, la prospección de hielo polar, tiene la relevancia operativa más clara. Los cráteres permanentemente en sombra pueden permanecer lo suficientemente fríos como para conservar hielo durante miles de millones de años. El informe de la NASA sobre el agua lunar explica que los depósitos de hielo podrían revelar cómo llegó el agua a la Luna y cómo se desplazó por ella. En un futuro programa de exploración, el agua accesible también podría servir para abastecer de agua potable, producir oxígeno o combustible, pero los mapas de prospección identifican posibles ubicaciones, en lugar de verificar la cantidad, pureza o extractabilidad de un depósito.

El acceso abierto amplía el alcance de la prueba

La NASA e IBM publicaron la colección de modelos de Hugging Face, incluyendo versiones posteriores independientes para la detección de cráteres, la prospección de hielo y la segmentación de zonas irregulares de mare. Esta publicación brinda a las universidades y a los grupos de investigación más pequeños acceso a un sistema cuyo entrenamiento independiente resultaría costoso. Además, crea una base común para comparar nuevos enfoques, evitando que cada laboratorio tenga que partir de un punto de partida diferente.

El repositorio de código asociado proporciona herramientas de ajuste fino e inferencia, integración con el marco de código abierto TerraTorch y configuraciones para las tareas posteriores. La NASA también ha publicado conjuntos de datos y colecciones de referencia listos para el aprendizaje automático. El repositorio señala que no incluye código de preentrenamiento, una limitación que los investigadores deberán tener en cuenta al evaluar hasta qué punto se puede reproducir el proceso de entrenamiento original.

El uso de código y pesos abiertos no elimina automáticamente otras barreras. Ejecutar un modelo de visión de gran tamaño sigue requiriendo recursos informáticos, conocimientos técnicos y un manejo cuidadoso de los datos. Los investigadores también deben analizar si los conjuntos de datos de referencia contienen sesgos geográficos o de sensores, si las imágenes de entrenamiento se superponen con el material de evaluación y cómo varían los errores del modelo en regiones con iluminación extrema o inconsistente.

Por qué las imágenes lunares son difíciles

La Luna presenta problemas inusuales para la visión artificial. Al carecer casi por completo de atmósfera, la apariencia de su superficie está fuertemente influenciada por el ángulo de la luz solar, y cerca de los polos, una misma característica puede verse drásticamente diferente en distintas observaciones. Las sombras profundas pueden ocultar el fondo de los cráteres, mientras que las pendientes brillantes pueden reducir la textura visible. La NASA advierte que los cambios en la iluminación pueden afectar la visibilidad de los cráteres más pequeños, incluso cuando el terreno subyacente permanece inalterado.

La resolución añade otra limitación. El archivo de entrenamiento combina imágenes con resoluciones que van desde aproximadamente 1 metro hasta 100 metros por píxel, lo que significa que una capa de datos puede revelar una característica a escala de roca, mientras que otra captura solo su contexto geológico más amplio. Un modelo debe aprender conexiones útiles entre esas escalas sin interpretar cada diferencia como un cambio físico. Por lo tanto, sus predicciones deben considerarse herramientas para priorizar el análisis de expertos, no sustitutos de la calibración de instrumentos ni del juicio geológico.

El informe técnico complementario y los puntos de referencia permitirán a los especialistas inspeccionar la arquitectura, las opciones de entrenamiento y el rendimiento específico de cada tarea. La evidencia más importante a continuación provendrá de una evaluación independiente de datos no seleccionados por los desarrolladores del modelo, incluyendo observaciones de otras misiones e imágenes recién recopiladas. Una mejora del 23 % en un punto de referencia puede ser significativa sin implicar la misma ganancia en todas las regiones lunares u objetivos científicos.

La IA se convierte en infraestructura científica

El modelo lunar forma parte de una iniciativa más amplia de la NASA e IBM para desarrollar sistemas de IA reutilizables para la ciencia. Modelos anteriores de Prithvi se han centrado en la observación de la Tierra, el clima, las inundaciones, los cultivos y los huracanes, mientras que se ha desarrollado un modelo solar para la predicción del clima espacial. La estrategia de IA plantea estos sistemas como una forma de extraer mayor valor de los grandes conjuntos de datos públicos, que crecen más rápido de lo que los investigadores pueden analizarlos manualmente.

Este enfoque puede transformar la economía del software científico. Entrenar un modelo de amplia utilidad y distribuirlo abiertamente permite que muchos equipos compartan el elevado coste inicial y, posteriormente, destinen sus recursos a la validación y a aplicaciones especializadas. También puede mejorar la comparabilidad entre estudios si los investigadores informan los resultados con respecto a los mismos parámetros de referencia. La desventaja es que un modelo base ampliamente adoptado puede propagar sus limitaciones a muchos proyectos, lo que hace que la documentación y las pruebas independientes sean esenciales.

El contexto inmediato de la misión es el programa Artemis, cuyo objetivo es adquirir experiencia para la exploración lunar sostenida y futuras misiones a Marte. Unos mapas más precisos podrían ayudar a delimitar las zonas de aterrizaje candidatas, identificar los peligros del terreno y priorizar los sitios para la medición directa de recursos. Sin embargo, el modelo no elige un lugar de aterrizaje por sí solo; las limitaciones técnicas, las comunicaciones, la iluminación, los objetivos científicos y las observaciones directas siguen siendo factores que influyen en esa decisión.

Lo que establece el comunicado

La publicación de NASA-IBM demuestra que un único sistema preentrenado puede desempeñarse de manera competitiva en diversas tareas de mapeo lunar y que sus creadores están poniendo a disposición sus recursos principales para su análisis. Esto no garantiza la exactitud de todas las predicciones, la posibilidad de extraer hielo sospechoso ni que el análisis automatizado pueda reemplazar a los científicos planetarios. Estas distinciones son especialmente importantes cuando el resultado de una IA influye en misiones costosas o en la planificación de aspectos críticos para la seguridad.

La siguiente fase pondrá a prueba si el modelo se convierte en una plataforma de investigación duradera, en lugar de una simple demostración exitosa. La adopción por parte de equipos independientes, el rendimiento con nuevos datos de misión, la notificación transparente de fallos y las reducciones cuantificables en el tiempo de análisis aportarán pruebas más sólidas de su valor operativo. Por ahora, la NASA e IBM han reducido la barrera técnica para aplicar la visión artificial avanzada a la Luna y han abierto el sistema a la comunidad científica, que deberá determinar hasta dónde llegan sus ventajas.