27 de octubre de 2026

La NASA revela los detalles de Artemis III, la misión que servirá de ensayo inmediatamente anterior para volver a la Luna

La NASA revela los detalles de Artemis III, la misión que servirá de ensayo inmediatamente anterior para volver a la Luna

Los planes de la NASA para Artemis III han cambiado bastante desde que se concibió en un primer momento. Puesto que Artemis II ya sobrevoló la Luna, la lógica inicial era seguir en esa misma línea. Sin embargo, por la seguridad de los astronautas y para abaratar los costes, se optó por realizar todas las pruebas de la misión directamente en la órbita terrestre. Más allá de eso, hasta ahora no teníamos demasiada información sobre esta tercera fase del programa lunar. Sin embargo, el pasado 23 de octubre la NASA hizo un comunicado en el que describió paso a paso cuál será el plan y, por supuesto, qué papel tendrán sus dos socios principales: SpaceX y Blue Origin.

Una parada en el camino. Antes de dirigirse por fin a la Luna en Artemis IV, Artemis III se encargará principalmente de probar el acoplamiento con los módulos lunares de SpaceX y Blue Origin. Esto puede hacerse directamente en la órbita terrestre, aunque no demasiado abajo. En su comunicado, la NASA apuntó que las pruebas se realizarán a 555 km de altura, ya que allí habrá más estabilidad térmica. La cápsula Orión se diseñó como nave de espacio profundo, y en órbita terrestre baja los ambientes térmicos son más exigentes, por lo que hay que tener cuidado. 

El primer día. Artemis III empezará con el lanzamiento del cohete New Glenn de Blue Origin, cargado con el módulo Blue Moon, y el cohete de la NASA SLS, que se encargará de impulsar la cápsula Orión. A bordo de esta última irán los astronautas Randy Bresnik, Andre Douglas y Frank Rubio, de la NASA, así como Luca Parmitano, de la ESA. 

Los cinco primeros días. Durante dos días, la tripulación comprobará los sistemas de Orión. Después, el día 3, la cápsula se acoplará a Blue Moon y pasará otros dos días con él. Uno o dos astronautas entrarán en el módulo, evaluarán el soporte vital y la presión y probarán los sistemas de emergencia del conjunto de ambas naves.

Llega SpaceX. Hacia el día 6 despegará por fin la Starship de SpaceX con un adaptador de acoplamiento en el morro. Se acoplará a Orión el día 8, aproximadamente durante unas dos horas. En este caso, la tripulación no entrará en el módulo lunar, pues sus dos objetivos serán medir la fuerza de acoplamiento y el empuje del conjunto Orión-Starship.

Esto es así porque, si bien en Artemis IV el Blue Moon se acoplará en la órbita lunar, Starship se unirá a Orión en la órbita terrestre y se encargará de empujarla mediante una quema translunar hacia la órbita lunar. El conjunto Orión-Starship viajará así a la Luna, de modo que, una vez en la órbita, dos astronautas puedan quedarse en el interior mientras los otros alunizan. 

Trajes de supervivencia a prueba. Otra de las misiones de Artemis III será probar los trajes de supervivencia de la tripulación, algo que no fue posible en Artemis II.

O SpaceX o Blue Origin. Mientras que en Artemis III intervienen las dos compañías, en Artemis IV se seleccionará solo una de ellas. La que mejor preparada esté en ese momento. Por eso, lo que se han ensayado son dos posibles conformaciones. Si se elige a SpaceX, el encuentro tendrá lugar en órbita terrestre, mientras que con Blue Origin se llevará a cabo en la órbita lunar. Ambos se acoplarán a Orión, donde se quedará la mitad de la tripulación mientras que la otra aluniza. Starship, además, impulsará la nave hacia la Luna. 

Cabe destacar que no se elegirá uno de los dos módulos lunares para siempre. El objetivo es que se vayan turnando en las sucesivas misiones del programa Artemis. 

Retos de SpaceX y Blue Origin. Para poder llegar a la Luna en 2028 con la misión Artemis IV, tanto la NASA como SpaceX y Blue Origin se han visto obligadas a simplificar los diseños de sus naves. Por su parte, las compañías de Elon Musk y Jeff Bezos tendrán que demostrar el buen funcionamiento de sus respectivos módulos lunares para las misiones que se les han encomendado. Parte de esa demostración se llevará a cabo directamente en Artemis III, pero también deben hacer pruebas independientes, como el repostaje en órbita terrestre en el caso de SpaceX. 

Fechas disponibles. De momento no hay una fecha exacta de lanzamiento para Artemis III y mucho menos para Artemis IV. Si todo va bien, se espera que la primera se lance en algún momento del verano de 2027 y que la cuarta misión del programa lunar se realice en 2028. Aunque, lógicamente, todo eso dependerá de cómo avancen las pruebas que aún están por delante. 

Imágenes | SpaceX

En Xataka | Artemis II no es solo una victoria de la NASA: sin el apoyo de Europa habría sido imposible, literalmente

-
La noticia La NASA revela los detalles de Artemis III, la misión que servirá de ensayo inmediatamente anterior para volver a la Luna fue publicada originalmente en Xataka por Azucena Martín .



☞ El artículo completo original de Azucena Martín lo puedes ver aquí

Cuanto más estudiamos la mente de los cuervos más claro tenemos que su inteligencia excede a lo que imaginábamos

Cuanto más estudiamos la mente de los cuervos más claro tenemos que su inteligencia excede a lo que imaginábamos

Algo que es bastante usual dentro del mundo científico es tomar como referencia en los estudios a los primates, sobre todo para entender cómo el cerebro puede procesar la información que tiene en su entorno y tomar una decisión rápida. Y es que cuando un estímulo visual aparece ante nuestros ojos, una red de neuronas recopila datos, evalúa las opciones y desencadena una respuesta en cuestión de medio segundo. Pero ahora hemos visto que las aves juegan en otra liga. 

Nos humillan. Aunque pensamos que nuestra capacidad de procesamiento cerebral es prácticamente perfecta, la realidad es que llegan los cuervos y "nos dicen" que no es así. Esta es la conclusión a la que llegó un grupo de investigadores que ha publicado su trabajo en Science, demostrando que, enfrentadas a la misma tarea visual, estas aves actúan con una velocidad asombrosa que deja atrás a los primates. 

Cómo lo hicieron. Para medir la velocidad de procesamiento de estas aves, el equipo adaptó uno de los experimentos más célebres de la neurofisiología perceptiva, que es la tarea de discriminación de movimiento con puntos aleatorios. Esta prueba, que fue muy popular entre los primates a principios de los años 2000, coloca al sujeto frente a una pantalla donde un grupo de puntos se desplaza de forma caótica, mientras solo un porcentaje determinado se mueve de forma coherente hacia la izquierda o hacia la derecha. 

Ahora, los cuervos se situaban frente a una pantalla táctil y tras la aparición de los puntos, las aves debían girar la cabeza y picotear un objetivo para indicar la dirección del movimiento. Con señales claras, la precisión de las cornejas rozaba el 100 %, e incluso en los patrones de movimiento más difíciles y difusos, sus decisiones superaban con frecuencia el umbral del azar.

Los resultados. Lo impactante no fue la precisión, sino que el tiempo desde la aparición de las señales visuales hasta el inicio del giro de cabeza se fijó en una media de 235 milisegundos. En versiones idénticas de esta misma prueba, los macacos suelen tardar entre 410 y 600 milisegundos en iniciar la respuesta, por lo que la diferencia es considerable. 

Corteza prefrontal. El hallazgo resulta aún más interesante si nos centramos en la anatomía cerebral de los cuervos, puesto que estos carecen de una corteza cerebral estratificada como la de los mamíferos. En su lugar, han desarrollado una estructura funcionalmente equivalente llamada nidopallium caudolaterale (NCL) que alberga neuronas capaces de codificar reglas abstractas e incluso correlatos de conciencia sensorial.

Mediante registros de neuronas individuales en el NCL mientras las aves realizaban la tarea, los investigadores observaron la dinámica interna del proceso de decisión. Los datos apuntaban a neuronas altamente selectivas a la dirección elegida, con una tasa de disparo que escalaba a medida que aumentaba la fuerza de lo que aparecía en pantalla. 

¿Por qué? Para entender cómo es posible que un cerebro tan pequeño sea tan rápido, la primera hipótesis apunta a la densidad neuronal. Aquí, un estudio publicado en 2016 demostró que el prosencéfalo de loros y paseriformes alberga, de media, el doble de neuronas que el cerebro de un primate de la misma masa. A esta empaquetadura se suma la temperatura corporal de las aves, significativamente más alta que la de los mamíferos, lo que acelera las tasas metabólicas y la velocidad de conducción de los impulsos nerviosos.

Asimismo, investigaciones de la Universidad de Bochum han revelado que el prosencéfalo sensorial aviar posee circuitos canónicos repetidos que recuerdan a los microcircuitos de la neocorteza de los mamíferos, ofreciendo un soporte estructural óptimo para el cálculo rápido.

Imágenes | Siegfried Poepperl

En Xataka | Las abejas europeas han perdido un tercio de su territorio en un siglo. Y el cambio climático no es el principal culpable

-
La noticia Cuanto más estudiamos la mente de los cuervos más claro tenemos que su inteligencia excede a lo que imaginábamos fue publicada originalmente en Xataka por José A. Lizana .



☞ El artículo completo original de José A. Lizana lo puedes ver aquí

En 2012, Boeing sustituyó a los pasajeros por 9 toneladas de patatas: una decisión brillante para solucionar el problema del wifi en los aviones

En 2012, Boeing sustituyó a los pasajeros por 9 toneladas de patatas: una decisión brillante para solucionar el problema del wifi en los aviones

Para que el Wifi sea la realidad que es hoy en los vuelos comerciales, las compañías tuvieron que realizar todo tipo de pruebas que certificaran la tecnología a kilómetros del suelo. En 2012, los ingenieros de Boeing encontraron una solución tan absurda en apariencia como brillante en la práctica para mejorar la conexión de sus aviones. Necesitaban reproducir las condiciones de una cabina llena de pasajeros y acabaron descubriendo que podían sustituirlos por algo mucho más barato, silencioso y fácil de manejar: toneladas de patatas.

El problema estaba en los pasajeros. La mayoría lo desconoce, pero la conexión wifi de un avión puede variar considerablemente dependiendo del asiento, la cantidad de viajeros y sus movimientos dentro de la cabina. ¿La razón? Los cuerpos humanos absorben y reflejan las ondas electromagnéticas, provocando zonas con señales intensas y otras donde la cobertura resulta deficiente. 

Según explicó hace unos años a WIRED el ingeniero Dennis Lewis, incluso el desplazamiento de los carritos de servicio modifica la distribución de las señales, lo que convierte el interior de una aeronave en un entorno electromagnético especialmente complejo.

Una solución inesperada. Para estudiar el problema, Boeing necesitaba llenar un avión de personas y mantenerlas sentadas durante largas jornadas mientras sus ingenieros realizaban mediciones. Aquello suponía contratar a decenas de voluntarios, inmovilizar una aeronave y repetir numerosas pruebas para identificar las zonas con peor cobertura. 

Los investigadores comenzaron a buscar materiales capaces de reproducir la interacción del cuerpo humano con las señales inalámbricas y encontraron un candidato sorprendente: las patatas. Su elevado contenido en agua, cercano al 80%, y sus propiedades dieléctricas permitían absorber y reflejar las ondas de una manera suficientemente parecida a la de los pasajeros.

Nueve toneladas de patatas a bordo. Así comenzó un experimento para los libros de historia, uno donde Boeing llevó el ejercicio a la práctica utilizando un avión retirado del servicio y llenando sus asientos con sacos que contenían 20.000 libras de patatas, aproximadamente 9.072 kilos. De esta forma, los ingenieros podían trabajar durante horas sin preocuparse por el cansancio, los movimientos o las necesidades de los voluntarios, mientras registraban cómo se distribuían las señales por toda la cabina. 

El proyecto recibió el nombre SPUDS, acrónimo de Synthetic Personnel Using Dielectric Substitution, un juego de palabras con el término coloquial inglés para las patatas. Los resultados obtenidos con estos pasajeros improvisados fueron contrastados posteriormente con personas reales para comprobar su fiabilidad.

De dos semanas a diez horas. Plus: el experimento formó parte de un método desarrollado por los laboratorios de Boeing para medir la intensidad y propagación de las señales inalámbricas mediante herramientas especializadas y análisis estadísticos. De hecho, gracias a las mediciones, los ingenieros podían localizar los puntos con cobertura deficiente y ajustar los sistemas de conectividad para conseguir una distribución más uniforme, respetando los requisitos de seguridad destinados a evitar interferencias con los equipos electrónicos esenciales del avión. 

Según confirmó la propia Boeing en diciembre de 2012, el nuevo procedimiento permitió reducir unas pruebas que anteriormente requerían más de dos semanas a tan solo diez horas.

La genialidad detrás de las patatas. La elección de este alimento permitió reproducir una cabina ocupada sin depender de decenas de personas durante las mediciones, facilitando por el camino un proceso de ensayo mucho más rápido y repetible. El experimento también demostró cómo una solución sencilla puede contribuir a resolver problemas tecnológicos complejos cuando se combina con instrumentos avanzados y conocimientos científicos. 

En definitiva, así fue como Boeing consiguió mejorar su metodología para estudiar la conectividad inalámbrica y dejó una de las anécdotas más sorprendentes de la ingeniería aeronáutica: una donde, para perfeccionar el wifi de sus aviones, necesitó llenar uno con nueve toneladas de patatas.

Imagen | Boeing

En Xataka | Dos astronautas atrapados nueve meses, cinco propulsores averiados y fugas de helio. Y aun así la NASA sigue confiando en la Starliner

En Xataka | En 2006, una sociedad medioambiental hundió un Boeing 737 en el fondo del mar. Hoy es un enorme arrecife de coral

-
La noticia En 2012, Boeing sustituyó a los pasajeros por 9 toneladas de patatas: una decisión brillante para solucionar el problema del wifi en los aviones fue publicada originalmente en Xataka por Miguel Jorge .



☞ El artículo completo original de Miguel Jorge lo puedes ver aquí

Por qué la IA se inventa cosas: qué son las alucinaciones y qué se sabe de su origen

Por qué la IA se inventa cosas: qué son las alucinaciones y qué se sabe de su origen

Un equipo de investigadores de OpenAI y Georgia Tech preguntó a un modelo abierto de última generación la fecha de cumpleaños de uno de ellos, Adam Tauman Kalai, con una condición: responder solo si la sabía. En tres intentos dio tres fechas distintas, las tres falsas. El ejemplo abre el paper Why Language Models Hallucinate, publicado en septiembre de 2025, y resume bien el problema: el modelo no dijo «no lo sé». Se inventó la respuesta con total aplomo.

Las alucinaciones son afirmaciones plausibles pero falsas. Según OpenAI, nacen de cómo se entrena a los modelos para predecir texto y sobreviven porque las pruebas con las que se los mide premian adivinar en lugar de reconocer la duda. Esta guía explica ese mecanismo, qué tasas de error se han medido y qué puedes hacer como usuario. Si lo que necesitas es comprobar una referencia concreta, tienes cómo saber si un estudio, una cita o una ley que te da una IA existen.

¿Qué es exactamente una alucinación de la IA?

Es una respuesta que suena correcta y no lo es. OpenAI las define en su artículo divulgativo sobre el paper, del 5 de septiembre de 2025, como «afirmaciones plausibles pero falsas generadas por modelos de lenguaje».

La clave está en «plausibles». Un error absurdo se detecta enseguida. Una fecha verosímil, una cita bien construida o un enlace con aspecto de real pasan el filtro del lector. Google lo advierte en su explicador sobre alucinaciones: la falta de fundamentación puede llevar a resultados aparentemente plausibles pero incorrectos, incluso a crear enlaces a páginas web que nunca han existido.

¿Por qué se inventan las cosas en lugar de decir «no lo sé»?

Por dos motivos que se suman, según el paper de OpenAI firmado por Adam Tauman Kalai, Ofir Nachum, Edwin Zhang (OpenAI) y Santosh Vempala (Georgia Tech).

El primero está en el entrenamiento inicial. Un modelo aprende a predecir texto a partir de enormes cantidades de ejemplos. Los autores relacionan generar respuestas válidas con un problema de clasificación: distinguir lo válido de lo erróneo. Si el modelo no puede separar unas afirmaciones de otras, acabará produciendo errores. Hay patrones que se aprenden bien, como la ortografía. Pero hay hechos arbitrarios, sin patrón, que no se pueden deducir: un cumpleaños, por ejemplo.

Para esos casos dan una regla llamativa. Si el 20% de los cumpleaños presentes en los datos de entrenamiento aparece una sola vez, cabe esperar que el modelo base alucine al menos en el 20% de las preguntas sobre cumpleaños. Lo que se ha visto una vez no se puede distinguir bien de lo que nunca se ha visto.

El segundo motivo explica por qué el problema no desaparece después. Los modelos se evalúan con pruebas que dan un punto por acierto y cero por respuesta en blanco o por «no lo sé». Es como un examen tipo test sin penalización: contestar al azar siempre sale a cuenta. Los autores hablan de una «epidemia» de pruebas que castigan la incertidumbre, y concluyen que los modelos están optimizados para ser buenos examinandos.

¿Cuánto se equivocan? Las cifras medidas

Varía mucho según la tarea, y por eso conviene desconfiar de cualquier cifra única. Tres ejemplos con fuente:

Estudio Qué midió Resultado
OpenAI, SimpleQA (2025) Preguntas factuales cortas gpt-5-thinking-mini: 26% de errores y 52% de abstenciones; o4-mini: 75% de errores y 1% de abstenciones
Large Legal Fictions (2024) Preguntas verificables sobre casos judiciales federales de EE. UU. Alucinaciones entre el 58% (ChatGPT 4) y el 88% (Llama 2)
Hallucination-Free? (2024) Herramientas jurídicas profesionales con recuperación de documentos Entre el 17% y el 33%

La primera fila es la más reveladora. En la tabla que publica OpenAI, o4-mini acierta un poco más que gpt-5-thinking-mini (24% frente a 22%), pero se equivoca casi tres veces más porque casi nunca se abstiene. Un ranking que solo mire aciertos premiaría al modelo que más inventa. Si te interesa qué aportan este tipo de modelos, lo contamos en qué son los modelos de IA de razonamiento y cuándo merece la pena dejarlos pensar.

El estudio jurídico de 2024, publicado en el Journal of Legal Analysis, añade dos hallazgos incómodos: los modelos a menudo no corrigen las premisas erróneas del usuario y no siempre saben cuándo están alucinando. El segundo, un estudio preregistrado, mostró que herramientas de LexisNexis y Thomson Reuters seguían inventando pese a que algunos proveedores del sector prometían evitar las alucinaciones gracias a la recuperación de documentos (RAG). Menos que un chatbot general, sí, pero lejos de cero.

¿Se pueden eliminar las alucinaciones?

Del todo, no; reducirlas, sí. OpenAI sostiene en su artículo que no son inevitables, porque un modelo puede abstenerse cuando no sabe. También que la precisión nunca llegará al 100%, porque hay preguntas que no tienen respuesta accesible.

Su propuesta de fondo no es técnica, sino de incentivos: cambiar cómo puntúan las pruebas que dominan las clasificaciones. Plantean instrucciones con un umbral de confianza explícito, del tipo «responde solo si tu confianza supera el umbral t, porque los errores penalizan». La empresa añade que GPT-5 tiene «significativamente menos» alucinaciones, sobre todo al razonar, pero que siguen ocurriendo.

Mientras tanto, como usuario puedes aplicar lo que las propias empresas recomiendan a quien construye con sus modelos:

  • Da permiso para dudar. La guía de Anthropic para reducir alucinaciones dice que permitir explícitamente al modelo admitir que no sabe algo puede reducir «drásticamente» la información falsa.
  • Ancla la respuesta a un texto. Anthropic aconseja pedir citas literales del documento antes de analizarlo, y retirar cualquier afirmación que no tenga cita que la respalde. Google recomienda fundamentar los modelos con tus propios datos mediante RAG.
  • Mira las fuentes, si las hay. Gemini muestra un botón de Fuentes cuando su respuesta se apoya en enlaces, aunque no todas las respuestas lo incluyen.
  • Sé más escéptico con lo raro. Nombres poco conocidos, fechas, cifras exactas y jurisprudencia son terreno de hechos arbitrarios, justo donde el paper predice más errores. Es la razón por la que usar la IA para estudiar exige contrastar los datos concretos.

Mi lectura del paper de OpenAI es que su mérito no está en la estadística, sino en desmontar una excusa. Durante años, las alucinaciones se presentaron como un misterio casi inevitable de la tecnología. La explicación que dan sus propios investigadores es más prosaica e incómoda: los modelos inventan en parte porque la industria los ha medido con exámenes que premian inventar. Eso tiene arreglo, pero exige aceptar modelos que dicen «no lo sé» más a menudo y que, en las clasificaciones de siempre, parecerán peores.




☞ El artículo completo original de Natalia Polo lo puedes ver aquí

26 de octubre de 2026

Las muestras que OSIRIS-REx trajo del asteroide Bennu resuelven un misterio que llevaba años desconcertando a los científicos

Las muestras que OSIRIS-REx trajo del asteroide Bennu resuelven un misterio que llevaba años desconcertando a los científicos

Cuando la sonda OSIRIS-REx, de la NASA, llegó a su destino en el asteroide Bennu en 2018, se encontró con algo inesperado. Según las mediciones tomadas por el telescopio Spitzer en 2007, este asteroide se calienta mucho cuando está expuesto a la radiación solar y se enfría igual de rápido por la noche. Esto es algo que en la Tierra ocurre en zonas que están cubiertas por roca fina, como la arena de playa. Por eso, pensaron que tocar la superficie y tomar muestras sería coser y cantar. En cambio, el lugar en el que trabajó la nave tenía una orografía complicada, con rocas de gran tamaño. 

Más allá de lo trabajoso que fue tomar muestras, se encontraron con el problema de explicar a qué se debían esos cambios de temperatura. Ha sido todo un misterio hasta ahora, pues unos científicos de la Universidad de Arizona han sugerido una respuesta bastante plausible. 

Inercia térmica. En la Tierra, la arena de playa tiene una baja inercia térmica. Otros materiales rocosos más sólidos o compactos, como el hormigón, tienen valores más altos, ya que se calientan y pierden el calor muy poco a poco. Eso habría sido lo lógico con las rocas tan grandes que se encontraron en Bennu. No obstante, su inercia térmica era la de la arena de playa. La misión inicial de OSIRIS-REx era tomar muestras del asteroide, pero ahora los científicos tenían un motivo más para hacerlo: necesitaban saber por qué se enfriaban tan rápido esas rocas.

Poros y grietas. Lo primero que se observó al analizar las muestras de roca que se llevaron a la Tierra para su estudio es que estaban compuestas por un material muy poroso. Eso, desde luego, favorece que se enfríe más deprisa. Pero no tanto como para tener una inercia térmica tan reducida. Se observó que también exhibían una red extensa de fracturas atravesando su interior. Ahora bien, ¿cómo afectan esas grietas a la dispersión del calor? Necesitaban medirlo, pero antes tenían que comprobar que la incoherencia que detectaron no se debía a fallos en las mediciones de Spitzer. 

Termografía lock-in. Este es el nombre de la prueba que se usó para analizar qué tienen que ver las fracturas con la temperatura. A grandes rasgos, consiste en exponer a un láser una parte de la muestra y estudiar cómo se propaga el calor a su alrededor. Con ella, se puede calcular la inercia térmica de partículas diminutas, algo que no puede hacerse con un termómetro convencional. Gracias a esta herramienta, se comprobó que la inercia térmica es más o menos la misma que se había medido con el Spitzer. 

Simulaciones de ordenador. Ya tenían datos sobre la inercia térmica a una escala muy pequeña, pues disponían de muestras reducidas. El siguiente paso era analizar qué pasa a escala de bloque, por lo que utilizaron simuladores de ordenador que no solo demostraron que la inercia térmica se mantiene. También apuntaron a las fracturas como “culpables” de ese enfriamiento acelerado que tanto les sorprendió.

Por qué importa. Hasta ahora, se solían extrapolar los datos de inercia térmica tomados por telescopios y sondas directamente al tamaño de las rocas que componen un objeto: baja inercia térmica, roca fina, alta inercia térmica, rocas más gruesas. Con lo ocurrido en Bennu vemos que, en realidad, hay más factores implicados en los valores de este parámetro, por lo que esta extrapolación sería engañosa y haría falta tomar más datos. 

De momento, tomar muestras de un asteroide es un hito que solo han conseguido OSIRIS-REx y las sondas japonesas Hayabusa-1 y Hayabusa-2, con los asteroides Itokawa y Ryugu. También pretende hacerlo la sonda china Tianwen-2 con el asteroide Kamo’oalewa, aunque aún no ha regresado de su viaje. De todos modos, se espera que en el futuro esto sea algo más frecuente. Así, podrán analizarse mucho mejor los parámetros que realmente conforman la inercia térmica. 

Imagen | NASA's Scientific Visualization Studio - Kel Elkins, Bashar Rizk, Carina Bennett, Daniella DellaGiustina, Dante Lauretta, Dathon Golish, Jason Dworkin, Jeff Seabrook, Michael Daly, Olivier Barnouin, Dan Gallagher, Ian Jones, Laurence Schuler

En Xataka | La Tierra tiene lunas que no conocemos: explorarlas es clave para revelar los secretos de nuestro sistema solar

-
La noticia Las muestras que OSIRIS-REx trajo del asteroide Bennu resuelven un misterio que llevaba años desconcertando a los científicos fue publicada originalmente en Xataka por Azucena Martín .



☞ El artículo completo original de Azucena Martín lo puedes ver aquí