Durante 17 años, la Lunar Reconnaissance Orbiter ha fotografiado y medido la Luna hasta construir uno de los archivos más detallados que existen sobre su superficie. La NASA asegura que la misión ha generado un volumen de datos mayor que el de todas sus demás misiones planetarias combinadas, con una cobertura que permite observar buena parte del terreno lunar a gran resolución. El problema ya no es solo obtener información, sino procesarla con suficiente rapidez para extraer de ella patrones útiles. Y esa tarea gana peso mientras la agencia prepara el regreso de astronautas a la superficie lunar.
Para sacar más partido a ese material, la NASA e IBM, junto a varias instituciones académicas, han desarrollado el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial especializado en ciencia lunar y entrenado principalmente con observaciones de la Lunar Reconnaissance Orbiter. La herramienta se ha publicado como código abierto y puede adaptarse a tareas concretas, desde cartografiar cráteres hasta estudiar regiones polares o determinadas estructuras volcánicas. La idea no es sustituir el análisis científico, sino acelerar una parte del trabajo que, con modelos tradicionales, exige desarrollar y entrenar sistemas especializados para cada tarea.
Una IA entrenada con la Luna
La clave está en cómo fue entrenado. Un modelo fundacional aprende primero patrones generales a partir de grandes cantidades de datos sin necesidad de que cada imagen esté etiquetada para una tarea concreta. En este caso, el sistema procesó cerca de dos millones de teselas procedentes principalmente de LRO: más de un millón de imágenes de alta resolución, de alrededor de un metro por píxel, y casi 964.000 observaciones multiespectrales, de unos 100 metros por píxel. El entrenamiento incorporó además información de otras misiones lunares, entre ellas GRAIL, Lunar Prospector y la japonesa Kaguya.
Uno de sus usos más interesantes está en los polos lunares, donde algunas zonas permanecen siempre en sombra y pueden conservar hielo durante miles de millones de años. Eso sí, el sistema no detecta agua helada de forma directa. Lo que hace es estimar la llamada prospectividad de hielo, es decir, señalar qué lugares reúnen condiciones más favorables para que pueda existir y mantenerse estable, tanto en la superficie como bajo ella.
Imagen | NASA
Saber dónde conviene buscar ese hielo importa por dos motivos. Desde el punto de vista científico, estudiarlo puede aportar pistas sobre la historia de la Luna y sobre cómo llegaron y se conservaron allí determinados volátiles. Para futuras expediciones, además, el agua podría convertirse en un recurso local: servir para consumo y, si se procesa, proporcionar hidrógeno y oxígeno con posibles usos en soporte vital o propelentes. Ese interés cobra especial sentido mientras que la NASA prepara nuevas misiones humanas al entorno lunar, aunque el modelo no haya sido presentado como una herramienta creada específicamente para Artemis.
Imagen | NASA
Los cráteres ofrecen otra aplicación especialmente útil porque cada uno es la huella de un impacto, y contarlos y medirlos ayuda a reconstruir la edad relativa de distintas zonas de la superficie y parte de la historia del sistema solar. La NASA probó el modelo con imágenes tomadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein y consiguió resaltar el nuevo cráter junto a otros ya existentes. La imagen posterior al impacto no formó parte del preentrenamiento, por lo que el experimento muestra cómo el sistema puede ajustarse después para reconocer cambios que inicialmente no había visto.
La herramienta también puede ayudar a localizar las llamadas irregular mare patches, pequeñas estructuras volcánicas cuyo aspecto resulta anormalmente joven para lo que se esperaba de la Luna. Algunas parecen haberse formado mucho después de la gran etapa de actividad volcánica del satélite, lo que ha llevado a los científicos a revisar cuándo terminó realmente ese proceso. Identificarlas y cartografiarlas con mayor rapidez permite ampliar el número de regiones estudiadas y comparar mejor sus características, una pieza más para reconstruir cómo se fue enfriando y evolucionando el interior lunar.
Los resultados no son iguales en todas las tareas. La NASA señala que el modelo igualó o superó a varios sistemas de referencia, con su ventaja más clara en la estimación de prospectividad de hielo, mientras que en cráteres y estructuras volcánicas las diferencias fueron más ajustadas. Tampoco está validado para certificar zonas de alunizaje ni para despejar riesgos operativos. Su valor está en otro sitio: ofrecer a los científicos una base abierta y reutilizable con la que analizar más deprisa un archivo lunar que no deja de crecer y formular mejores preguntas sobre la superficie.
Imagen de portada | NASA (1, 2) + Nano Banana
En Xataka | Rassvet iba a ser la respuesta rusa a Starlink. Sus primeros 32 satélites cuentan otra historia
-
La noticia La NASA quiere entender mejor la Luna antes de volver allí. Ha creado con IBM una IA para encontrar hielo y nuevos cráteres fue publicada originalmente en Xataka por Javier Marquez .
☞ El artículo completo original de Javier Marquez lo puedes ver aquí
