NASA e IBM crean IA para explorar la Luna antes del regreso

Una asociación estratégica para entender la superficie lunar

La agencia espacial estadounidense NASA, en colaboración con la empresa tecnológica IBM, ha presentado una solución innovadora basada en inteligencia artificial Luna para analizar y comprender mejor la geología del satélite. Durante casi dos décadas, la sonda Lunar Reconnaissance Orbiter ha acumulado un volumen de datos sin precedentes sobre la superficie lunar, generando información superior a la que han producido todas las demás misiones planetarias de la NASA en conjunto. Sin embargo, procesar este vasto archivo de imágenes y mediciones se ha convertido en un desafío técnico que requería una aproximación completamente nueva.

El desarrollo del NASA-IBM Lunar Foundation Model representa un hito significativo en la exploración espacial contemporánea. Este sistema de inteligencia artificial ha sido específicamente entrenado con observaciones procedentes mayoritariamente del Lunar Reconnaissance Orbiter, permitiendo que la herramienta comprenda y reconozca patrones complejos en la topografía, geología y composición del terreno lunar. La solución se ha puesto a disposición de la comunidad científica como código abierto, facilitando que múltiples instituciones académicas y agencias espaciales puedan adaptarla a sus necesidades de investigación específicas.

Características técnicas del modelo fundacional

El entrenamiento del modelo involucró un proceso exhaustivo de aprendizaje basado en aproximadamente dos millones de teselas lunares. La base de datos incluye más de un millón de imágenes de altísima resolución, cada una con un tamaño de píxel de aproximadamente un metro, complementadas con casi 964.000 observaciones multiespectrales con una resolución de alrededor de 100 metros por píxel. Además de los datos del Lunar Reconnaissance Orbiter, el sistema se benefició del información recopilada por otras misiones históricas de gran relevancia, incluyendo GRAIL, Lunar Prospector y la misión japonesa Kaguya.

La inteligencia artificial Luna desarrollada funciona bajo el principio de los modelos fundacionales modernos, aprendiendo primero patrones generales a partir de grandes volúmenes de datos sin requerir que cada imagen individual esté etiquetada para una función específica. Esta metodología permite que el modelo desarrolle una comprensión profunda y transferible de la geología lunar, que puede posteriormente adaptarse para tareas especializadas diversas, desde la cartografía detallada de impactos hasta el análisis de regiones polares y estructuras volcánicas específicas.

Búsqueda y localización de depósitos de hielo

Una de las aplicaciones más estratégicamente importantes de este sistema radica en su capacidad para identificar potenciales reservas de hielo en los polos lunares. Aunque la herramienta no detecta agua congelada de manera directa, funciona estimando lo que se denomina prospectividad de hielo, es decir, señalando regiones que reúnen las condiciones geológicas y termales más favorables para que el hielo pueda existir y mantenerse estable a lo largo de miles de millones de años, tanto en la superficie como en depósitos subsuperficiales.

Este análisis tiene implicaciones tanto científicas como prácticas profundas. Desde una perspectiva investigadora, el estudio del hielo lunar podría revelar información crucial sobre la historia geológica de la Luna y sobre cómo determinados compuestos volátiles llegaron al satélite y se preservaron bajo condiciones extremas. Para futuras expediciones tripuladas, el agua identificada podría convertirse en un recurso local de incalculable valor. Los procesadores podría extraer hidrógeno y oxígeno con múltiples aplicaciones, desde sustentar la vida de los astronautas hasta actuar como propelentes para futuras naves espaciales. Este potencial cobró especial relevancia conforme la NASA prepara las misiones Artemis para retornar humanos a la Luna.

Mapeo de cráteres y análisis de impactos

El reconocimiento y clasificación automática de cráteres constituye otro campo de aplicación fundamental para la inteligencia artificial Luna. Cada cráter representa la evidencia física de un impacto cósmico, y su análisis permite a los científicos reconstruir la cronología relativa de diferentes zonas de la superficie lunar, así como comprender mejor la historia de bombardeos del sistema solar completo. Los investigadores de la NASA realizaron una prueba particularmente demostrativa, utilizando imágenes capturadas antes y después del impacto de un componente de cohete de SpaceX en las proximidades del cráter Einstein.

Los resultados fueron particularmente reveladores: el sistema logró identificar y resaltar exitosamente el nuevo cráter generado por el impacto, junto con los cráteres preexistentes en la región. Lo más significativo fue que la imagen posterior al impacto no había formado parte del conjunto de datos utilizado para el preentrenamiento del modelo, lo que demuestra que el sistema posee la capacidad de adaptarse y reconocer cambios geológicos nuevos que no había observado previamente, evidenciando su flexibilidad y potencial para análisis dinámicos.

Estructuras volcánicas anómalas e historia geotérmica

El modelo también facilita la identificación y cartografía de formaciones geológicas conocidas como irregular mare patches, que son pequeñas estructuras volcánicas cuya apariencia y características espectrales parecen sorprendentemente jóvenes comparadas con la edad esperada de la Luna según los modelos geológicos tradicionales. Algunos de estos accidentes geográficos parecen haberse formado mucho tiempo después de lo que los científicos consideraban como el término de la actividad volcánica del satélite.

Este descubrimiento ha obligado a la comunidad científica a reconsiderar las cronologías del vulcanismo lunar y a replantearse cuándo concluyó realmente la fase de enfriamiento y solidificación del interior del satélite. La capacidad del sistema de inteligencia artificial para identificar y cartografiar estas estructuras con mayor rapidez y precisión permite ampliar significativamente el número de regiones estudiadas, facilitando comparaciones detalladas de sus características y contribuyendo a una comprensión más precisa de cómo evolucionó geológicamente la Luna durante miles de millones de años.

Validación y limitaciones del sistema

Los resultados obtenidos mediante el modelo no son uniformes en todas las tareas de análisis. Según los análisis realizados por la NASA, la herramienta igualó o superó a múltiples sistemas de referencia técnica, demostrando su mayor precisión en la estimación de prospectividad de hielo, mientras que en el reconocimiento de cráteres y la clasificación de estructuras volcánicas las ventajas comparativas resultaron más modestas. Cabe destacar que el sistema aún no ha sido validado para certificar zonas seguras de alunizaje ni para evaluar riesgos operativos críticos en misiones humanas.

A pesar de estas limitaciones, el valor fundamental de esta herramienta se sitúa en un plano diferente: proporcionar a la comunidad científica una plataforma abierta, reutilizable y continuamente mejorable con la que analizar significativamente más rápido un archivo lunar que no cesa de expandirse. La disponibilidad como código abierto democratiza el acceso a esta tecnología, permitiendo que investigadores de instituciones diversas formule preguntas más sofisticadas sobre la composición, historia y futuro potencial de la Luna como destino de exploración humana y base científica.