La NASA, en colaboración con IBM y varias universidades, ha puesto en marcha el NASA‑IBM Lunar Foundation Model, una inteligencia artificial diseñada para analizar el enorme archivo de datos de la Lunar Reconnaissance Orbiter (LRO). Durante 17 años, la sonda LRO ha capturado más de dos millones de teselas, entre imágenes de alta resolución y observaciones multiespectrales, creando el registro más detallado de la superficie lunar. Ahora el reto no es solo almacenar esa información, sino procesarla rápidamente para extraer patrones útiles que sirvan a la próxima fase de exploración humana.
El modelo fundacional se entrenó con casi un millón de imágenes de un metro por píxel y cerca de 964 mil observaciones de 100 metros por píxel, además de datos de misiones como GRAIL, Lunar Prospector y la japonesa Kaguya. A diferencia de los algoritmos tradicionales, que deben ser diseñados para tareas específicas, esta IA aprende patrones generales a partir de datos sin etiquetar, lo que le permite adaptarse a distintas aplicaciones: desde la cartografía de cráteres hasta la identificación de regiones volcánicas y la estimación de la prospectividad de hielo en los polos.
En los polos lunares, donde la luz solar nunca llega a ciertos cráteres, el modelo no detecta hielo directamente, pero señala los lugares con mayor probabilidad de albergarlo, tanto en la superficie como bajo ella. Este conocimiento es crucial para la ciencia, pues el hielo preserva pistas sobre la historia del satélite y los volátiles que llegaron desde la Tierra o los asteroides. Asimismo, el agua lunar podría convertirse en un recurso local para futuras misiones, proporcionando consumo, hidrógeno y oxígeno para combustible y soporte vital.
Otra aplicación importante es el conteo y medición de cráteres. Cada cráter representa un impacto que ayuda a fechar regiones de la Luna y a reconstruir la cronología del Sistema Solar. En una prueba, la IA identificó un nuevo cráter creado por un impacto de un cohete de SpaceX cerca del cráter Einstein, demostrando su capacidad para reconocer cambios recientes sin haber sido entrenada con esas imágenes.
El modelo también facilita la detección de “irregular mare patches”, pequeñas estructuras volcánicas que parecen más jóvenes de lo esperado. Su identificación rápida permite a los científicos replantear la duración de la actividad volcánica lunar y entender mejor la evolución térmica del interior del satélite.
Los resultados muestran que la IA iguala o supera a sistemas de referencia en la estimación de prospectividad de hielo, mientras que en cráteres y estructuras volcánicas las mejoras son más modestamente ajustadas. Aunque no está certificada para validar zonas de alunizaje, ofrece una base abierta y reutilizable que acelera el análisis de un archivo lunar en constante expansión, preparando el terreno para las próximas misiones Artemis.
Fuente: xataka