IBM y la NASA usan IA para identificar los mejores lugares para asentarse en la Luna

El mapa lunar se está convirtiendo gradualmente de un conjunto de imágenes en un esquema de trabajo para futuras expediciones. IBM y la NASA el 10 de septiembre lanzaron el modelo abierto NASA-IBM Lunar Foundation Model, que analiza observaciones multianuales de la Luna, busca indicios de posibles depósitos de hielo, reconoce cráteres y ayuda a evaluar con antelación las zonas para futuros aterrizajes y trabajos científicos.

El modelo se entrenó con más de 30 capas de datos procedentes de nueve instrumentos que operaron en cuatro misiones de la NASA, incluido el Lunar Reconnaissance Orbiter. Esta IA de base primero aprende con un gran conjunto de observaciones y luego se puede adaptar a tareas concretas. La NASA había desarrollado previamente el proyecto como un modelo multimodal de la superficie lunar para análisis científico.

En pruebas de control, el sistema reconoció características clave del relieve con hasta un 23% más de precisión que los métodos difundidos. No se trata de la detección directa de reservas de agua bajo el suelo. El algoritmo compara distintos tipos de mediciones remotas y señala zonas donde los indicios de hielo o las características del relieve merecen una comprobación más detallada con instrumentos científicos.

Son de especial interés las áreas permanentemente sombreadas cerca de los polos lunares, donde el hielo puede conservarse durante mucho tiempo. El agua en el lugar de una futura base podría proporcionar agua potable, oxígeno y componentes para combustible de cohetes, por eso la NASA ya prepara la infraestructura en el polo sur y planea más de 20 aterrizajes robotizados antes de 2029 para probar la tecnología.

La segunda tarea del modelo está relacionada con el relieve. La clasificación automática de cráteres y estructuras volcánicas permite procesar más rápidamente grandes conjuntos de mapas e imágenes que antes había que revisar manualmente o tratar con algoritmos más especializados. Un enfoque similar ya se aplicó para buscar 'Luna-9' en imágenes de la sonda orbital LRO mediante aprendizaje automático.

El modelo NASA-IBM Lunar Foundation Model se incorporó a la familia Prithvi, que ya incluye modelos de IBM y de la NASA para datos geoespaciales, meteorología y otras tareas científicas. La idea general de la familia consiste en que una IA preentrenada sirva como base para varios escenarios especializados, en lugar de crearse de nuevo para cada conjunto de observaciones o pregunta científica.

El nuevo modelo no elige el lugar de aterrizaje de forma autónoma ni confirma la existencia de reservas de hielo explotables. La NASA considera esta herramienta como un modo de acotar más rápido la zona de búsqueda antes de mediciones y misiones posteriores. Para 2028, el programa Artemis debe devolver a los astronautas a la Luna, donde la precisión de los mapas y la evaluación de recursos se convertirán en una tarea práctica.