Por Canuto  

IBM y NASA publicaron un modelo de inteligencia artificial de código abierto que combina décadas de observaciones lunares para ayudar a detectar hielo, cráteres y formaciones volcánicas con menos recursos de computación.
***

  • El Modelo Fundacional Lunar NASA-IBM reúne más de 30 capas de datos de nueve instrumentos y cuatro misiones.
  • IBM afirma que la herramienta redujo en 23% el error al identificar zonas con alto potencial de hielo.
  • El modelo llegará a Hugging Face, aunque sus creadores todavía no detallan parámetros, licencia ni arquitectura.

IBM y NASA publicaron un modelo fundacional lunar de código abierto que busca convertir décadas de observaciones de la Luna en una herramienta útil para científicos, ingenieros y equipos de exploración. El sistema llegará a Hugging Face junto con un conjunto de datos unificado, preparado para aprendizaje automático, que sus creadores presentan como el primero de su tipo con información lunar integrada a esa escala.

El anuncio responde a un problema paradójico: la exploración lunar ha generado petabytes de información, pero buena parte de ese archivo continúa siendo difícil de aprovechar. Los investigadores todavía revisan mapas e imágenes de forma manual o construyen modelos separados para tareas específicas, dos enfoques que consumen tiempo, ofrecen resultados limitados y pueden exigir una capacidad de cómputo considerable.

Un archivo lunar difícil de combinar

El conjunto de datos desarrollado por IBM y NASA integra más de 30 capas alineadas espacialmente, procedentes de nueve instrumentos instalados en cuatro misiones. Entre las fuentes figuran las misiones Lunar Reconnaissance Orbiter y GRAIL de NASA, además de la misión japonesa SELENE/Kaguya, cuyos registros habían sido almacenados tradicionalmente con formatos y resoluciones diferentes.

La falta de uniformidad complicaba la combinación de observaciones y frenaba la aplicación de técnicas de inteligencia artificial sobre el terreno lunar. La integración permite comparar señales captadas por instrumentos distintos dentro de un mismo marco espacial, una capacidad que puede ayudar a detectar patrones que no resultan evidentes cuando cada mapa se analiza de manera aislada.

Según la información publicada por The Next Web, el conjunto de datos podría ser incluso más relevante que el modelo, porque ofrece una base común para futuros sistemas de análisis. La disponibilidad abierta también puede reducir la barrera de entrada para grupos de investigación que no tienen grandes presupuestos para recopilar, limpiar y armonizar información procedente de misiones espaciales.

El modelo forma parte de la familia Prithvi de IBM, que también incluye sistemas orientados a datos geoespaciales, meteorología y heliofísica. La compañía ya había trabajado con la Agencia Espacial Europea en un modelo destinado a facilitar una comprensión más intuitiva de la Tierra, bajo una lógica similar de reutilizar una base compartida para distintos problemas.

La búsqueda de hielo como prueba principal

Una de las aplicaciones más importantes del modelo será la localización de hielo lunar, especialmente en cráteres permanentemente en sombra. Estas regiones se encuentran entre las más difíciles de observar, pero también figuran entre los lugares con mayor potencial para albergar hielo bajo la superficie, un recurso que podría suministrar agua, oxígeno y materia prima para fabricar combustible de cohetes.

IBM afirma que el sistema redujo en 23% el error al identificar áreas con alto potencial de hielo frente a SwinV2-B, un modelo de visión general entrenado con ImageNet. El resultado se obtiene al combinar observaciones capturadas con diferentes resoluciones, en lugar de depender de una sola fuente de imágenes para interpretar zonas extremadamente oscuras y complejas.

El desempeño no fue igualmente superior en todas las tareas. Para reconocer formaciones volcánicas, la mejora alcanzó 3% y se calculó a partir de etiquetas imperfectas, mientras que la detección de cráteres a resolución de escala métrica produjo resultados aproximadamente equivalentes a SwinV2-B.

La ventaja más consistente aparece en la eficiencia, un aspecto relevante para universidades y equipos científicos con recursos limitados. A una resolución cercana a 100 metros, el modelo superó a SwinV2-B en casi 19% y utilizó la mitad de los datos de entrenamiento, aunque la precisión no fue superior en todas las categorías evaluadas.

Una herramienta para futuras misiones

La cartografía de cráteres tiene consecuencias prácticas que van más allá del análisis académico, porque NASA la utiliza para seleccionar lugares de aterrizaje y evitar pendientes pronunciadas, rocas y otros obstáculos. Los mapas también pueden contribuir a evaluar dónde sería posible construir infraestructura lunar, una necesidad que crecerá si las misiones pasan de visitas puntuales a operaciones más prolongadas.

Europa también está ampliando su interés en la exploración de la Luna. La Agencia Espacial Europea abrió una convocatoria para tecnologías de misiones lunares y desarrolla un robot autónomo destinado a explorar cuevas, dos iniciativas que requieren información detallada sobre el terreno y podrían beneficiarse de sistemas capaces de procesar grandes volúmenes de datos.

La búsqueda de agua mantiene un papel central en esos planes, porque el hielo lunar podría servir para producir recursos esenciales directamente en el satélite. El Reino Unido ha financiado un concepto de espejo espacial diseñado para derretir hielo lunar y convertirlo en agua potable, aunque esa propuesta solo sería útil si los investigadores pueden identificar con suficiente fiabilidad la ubicación de los depósitos.

El desarrollo también conecta con el interés histórico de IBM en la exploración espacial, que incluye trabajos de soporte para pruebas de unidades de instrumentos de guiado y programas informáticos utilizados en operaciones de lanzamiento desde el Centro de Control de Lanzamiento de Cape Kennedy. En aquel contexto, ingenieros y técnicos de IBM colaboraron en sistemas asociados con el lanzamiento de un cohete de 3.000 toneladas que transportaba una carga útil de 40 toneladas.

Lo que todavía falta conocer

Juan Bernabe-Moreno, director de IBM Research Europe, Reino Unido e Irlanda, describió el proyecto como una base para ampliar el acceso al análisis lunar. “El Modelo Fundacional Lunar NASA-IBM brinda a los científicos una base para explorar la Luna a gran escala, conectando observaciones entre instrumentos y revelando patrones que son difíciles de ver de forma aislada”, declaró.

La publicación en Hugging Face facilitará que investigadores encuentren y prueben el modelo dentro de una plataforma ampliamente utilizada para compartir sistemas de inteligencia artificial abiertos. Sin embargo, el texto de presentación señala que Nvidia acordó adquirir Hugging Face por USD $12.930 millones la semana anterior, lo que añade una dimensión comercial a la evolución de un ecosistema que se había consolidado como punto de encuentro para modelos disponibles públicamente.

IBM y NASA todavía no han informado el tamaño del modelo, el número de parámetros, la licencia bajo la cual podrá utilizarse ni una descripción de su arquitectura. Esos datos son fundamentales para que un equipo determine si puede adaptar la herramienta a sus propios experimentos, cuáles serán sus costos operativos y qué restricciones podrían aplicarse al reutilizarla.

La publicación abierta, por tanto, representa un avance importante, pero no resuelve por sí sola los desafíos de la investigación lunar. El valor definitivo dependerá de la documentación, la calidad de las etiquetas, la capacidad de otros grupos para reproducir los resultados y la forma en que el modelo se integre con nuevas misiones y observaciones.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados