La compañía tecnológica IBM y la agencia espacial estadounidense NASA han puesto a disposición de la comunidad científica, bajo licencia de código abierto, el Modelo Base Lunar NASA-IBM, uno de los primeros modelos fundacionales disponibles públicamente orientados a la exploración científica de nuestro satélite natural. El sistema fue entrenado utilizando un amplio conjunto de datos de observación lunar recopilados por investigadores de ambas entidades.
Su propósito principal es convertir décadas de información compleja, proveniente de múltiples instrumentos, en datos prácticos que apoyen el establecimiento de una presencia humana permanente en la Luna.
La superficie de la Luna no es estática. Con el tiempo se han formado cráteres, se ha distribuido hielo y ha quedado registro de actividad volcánica en diferentes épocas. Durante años, sensores e instrumentos lunares han monitoreado estos procesos de manera continua, generando petabytes de información.
Hasta el momento, los científicos debían revisar manualmente mapas e imágenes lunares, o recurrir a modelos de aprendizaje automático de baja resolución diseñados para tareas específicas. Este enfoque demandaba una gran capacidad computacional y, a menudo, carecía de la precisión necesaria para identificar y analizar las características geográficas del satélite.
¿Qué es el Modelo Base Lunar NASA-IBM y para qué sirve?
El Modelo Base Lunar NASA-IBM es un sistema de inteligencia artificial de código abierto entrenado con datos de observación lunar de múltiples instrumentos y misiones. Permite a los especialistas identificar relaciones ocultas entre diferentes tipos y resoluciones de datos, acelerando así el estudio de fenómenos como el hielo, los cráteres y la actividad volcánica en la superficie lunar.
Gracias a este modelo, los investigadores pueden analizar a gran escala fenómenos que antes requerían revisión manual o herramientas limitadas a una sola tarea. Entre esos fenómenos se incluyen los posibles depósitos de hielo lunar, la historia volcánica del satélite y la detección de cráteres.
La NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna, pero recopilar datos es solo una parte del trabajo. También debemos facilitar a los científicos la exploración y el uso de los datos
, afirmó Kevin Murphy, director de datos científicos y director interino de datos e inteligencia artificial en la sede de la NASA en Washington.
Murphy añadió:
El modelo de la Fundación Lunar NASA-IBM demuestra lo que es posible cuando aplicamos la IA a los petabytes de datos científicos de la NASA. Esa es una oportunidad real que vemos en la IA: convertir grandes volúmenes de datos en nuevos descubrimientos
.
Por su parte, Juan Bernabe-Moreno, director de IBM Research para Europa, Reino Unido e Irlanda, situó el aporte del modelo en la escala del desafío científico:
Para desvelar los misterios de la Luna se requiere la capacidad de aprender de un volumen extraordinario de datos científicos
.
Bernabe-Moreno agregó que la herramienta
proporciona a los científicos una base para explorar la Luna a gran escala, conectando observaciones de distintos instrumentos, revelando patrones difíciles de detectar de forma aislada y ofreciendo una plataforma abierta sobre la que la comunidad científica mundial puede seguir trabajando
.
Detección de hielo lunar en las regiones permanentemente sombreadas
Uno de los usos centrales del modelo está dirigido a las regiones permanentemente sombreadas de la Luna, uno de los entornos más difíciles de observar del satélite. Estas zonas podrían contener hielo bajo la superficie, un recurso que indicaría la presencia de agua y oxígeno.
Ambos elementos se consideran fundamentales para sostener una futura base lunar y para producir combustible de cohetes en misiones posteriores hacia Marte.
El modelo NASA-IBM combina observaciones multimodales y de múltiples resoluciones para predecir en qué áreas podría concentrarse ese hielo. Un documento técnico elaborado por NASA e IBM muestra que el sistema redujo el error cuadrático medio en la identificación de zonas con alto potencial de hielo lunar hasta en un 22% en comparación con el modelo SwinV2-B (ImageNet).
Mapeo de cráteres y estudio de la historia volcánica lunar
Los cráteres se encuentran entre las características más distintivas de la Luna y proporcionan pistas sobre su historia: la edad de los diferentes terrenos, su geología y la composición química del interior lunar primitivo.
Su mapeo también es clave para que la NASA seleccione lugares de aterrizaje seguros, evite riesgos como pendientes pronunciadas o rocas, y planifique la ubicación de infraestructura lunar a largo plazo.
Con el nuevo modelo, los investigadores pueden identificar, contextualizar y clasificar cráteres con resolución de escala métrica. El documento técnico citado muestra una precisión comparable a la de modelos de última generación como SwinV2-B, pero con mayor eficiencia y menores costos de ajuste fino.
En resolución de escala contextual, de aproximadamente 100 metros, el modelo supera a SwinV2-B en casi un 19% utilizando solo la mitad de los datos de entrenamiento.
El sistema también permite estudiar los Parches Irregulares de Mare, formaciones volcánicas que ayudan a comprender la historia volcánica y la evolución térmica de la Luna. La identificación de estas regiones cambiantes resulta, además, estratégica para futuras operaciones en la superficie.
Utilizando etiquetas imperfectas, el modelo captura la extensión de esas formaciones volcánicas con una precisión 3% superior a la del SwinV2-B, y logra un desempeño comparable con mayor eficiencia y menores costos de ajuste fino.
Un conjunto de datos lunares unificado y de acceso abierto
A pesar de la enorme cantidad de información disponible sobre la Luna, no existía hasta ahora un conjunto de datos unificado y de acceso público que integrara los registros multimodales y de múltiples resoluciones en un marco común apto para el aprendizaje automático moderno.
Científicos de IBM y la NASA construyeron, junto al modelo, el primer conjunto de datos lunares de código abierto de este tipo. Se trata de una base de datos unificada y lista para el aprendizaje automático que agrega más de 30 capas alineadas espacialmente, obtenidas de nueve instrumentos pertenecientes a cuatro misiones distintas.
Ese conjunto combina decenas de miles de imágenes y mapas con propiedades geofísicas únicas de la superficie lunar, generados por el Orbitador de Reconocimiento Lunar y la misión GRAIL de la NASA.
A esos registros se suman datos complementarios de la misión SELENE/Kaguya, de la Agencia Japonesa de Exploración Aeroespacial, lo que aporta una visión multimodal de la superficie y el subsuelo lunares disponible para toda la comunidad científica.
Fuente: Infobae