IA lunar de NASA e IBM detecta hielo y cráteres

Inteligencia artificial revoluciona el análisis lunar

La agencia espacial estadounidense NASA, en colaboración con IBM, ha presentado una solución innovadora para procesar el volumen masivo de información recopilada sobre la Luna. El desarrollo de una IA lunar permite acelerar significativamente el análisis de datos que, durante 17 años, la sonda Lunar Reconnaissance Orbiter ha estado acumulando. Esta iniciativa representa un hito importante en la preparación para futuras misiones humanas al satélite natural terrestre.

Durante casi dos décadas, la Lunar Reconnaissance Orbiter ha fotografiado y medido sistemáticamente la superficie lunar, generando un archivo de información sin precedentes. Los datos recopilados superan en volumen el conjunto completo de información procedente de todas las demás misiones planetarias de la NASA combinadas. A pesar de esta riqueza informativa, el desafío principal no radica en obtener datos, sino en procesarlos con la velocidad y precisión necesarias para extraer patrones científicamente relevantes que orienten futuras exploraciones.

El modelo fundacional NASA-IBM Lunar Foundation Model

Para maximizar el aprovechamiento de este material, la NASA e IBM, junto a diversas instituciones académicas, han diseñado el denominado NASA-IBM Lunar Foundation Model. Este sistema de inteligencia artificial especializada se ha entrenado fundamentalmente con observaciones capturadas por la Lunar Reconnaissance Orbiter, incorporando también información complementaria de otras misiones lunares como GRAIL, Lunar Prospector y la sonda japonesa Kaguya. La herramienta ha sido publicada como código abierto, permitiendo su adaptación a múltiples aplicaciones científicas específicas.

El funcionamiento del modelo se basa en una metodología de aprendizaje fundamental que procesa primero patrones generales a partir de enormes volúmenes de datos sin requerir que cada imagen esté catalogada para una tarea concreta. En este proyecto concreto, el sistema analizó aproximadamente dos millones de teselas lunares: más de un millón de imágenes de alta resolución, con precisión de alrededor de un metro por píxel, y casi 964.000 observaciones multiespectrales con resolución de aproximadamente 100 metros por píxel.

Aplicaciones en la detección de hielo lunar

Una de las aplicaciones más prometedoras del modelo radica en la exploración de los polos lunares, donde determinadas regiones permanecen en oscuridad perpetua y pueden albergar hielo acumulado durante miles de millones de años. Aunque el sistema no detecta agua congelada de forma directa, sí estima la prospectividad de hielo, identificando aquellas ubicaciones que reúnen las condiciones óptimas para la existencia y estabilidad del hielo, tanto en la superficie como en capas subsuperficiales.

Este análisis de prospectividad de hielo posee relevancia dual. Desde la perspectiva científica, el estudio del hielo lunar puede desentrañar misterios sobre la historia geológica de la Luna y revelar cómo llegaron y se preservaron ciertos compuestos volátiles en su superficie. Desde una óptica pragmática y futura, el agua identificada podría convertirse en un recurso local invaluable: servir para consumo humano y, mediante procesamiento, generar hidrógeno y oxígeno con posibles aplicaciones en soporte vital y sistemas de propulsión. Esta capacidad cobra especial trascendencia mientras la NASA prepara nuevas expediciones humanas bajo el programa Artemis.

Cartografía de cráteres y estructuras volcánicas

Los cráteres lunares ofrecen otra aplicación científicamente valiosa del modelo. Cada cráter constituye la evidencia de un impacto cósmico histórico, y su recuento y medición posibilitan la reconstrucción de la edad relativa de distintas regiones superficiales y segmentos de la historia del sistema solar. La NASA realizó pruebas utilizando imágenes captadas antes y después del impacto de un cuerpo de cohete de SpaceX cerca del cráter Einstein, logrando que el sistema identificara el nuevo cráter junto con estructuras preexistentes.

Este experimento revela la capacidad adaptativa del modelo: la imagen posterior al impacto no formó parte del entrenamiento inicial, demostrando que el sistema puede ajustarse posteriormente para reconocer cambios previamente imperceptibles. Esta flexibilidad otorga al modelo versatilidad para enfrentar descubrimientos inesperados en futuras observaciones lunares.

Estructuras volcánicas anómalas y su importancia científica

El modelo también facilita la localización y mapeo de las denominadas irregular mare patches, pequeñas estructuras volcánicas cuya apariencia sugiere una edad sorprendentemente reciente en comparación con las expectativas científicas acerca de la evolución lunar. Algunas de estas formaciones parecen haber surgido mucho después de la era principal de actividad volcánica del satélite, obligando a los investigadores a reconsiderar cuándo concluyó realmente este período de intensa actividad geológica.

Identificar y cartografiar estas estructuras volcánicas anómalas con mayor celeridad amplía el conjunto de regiones estudiables y facilita comparaciones más exhaustivas de sus características. Esta información adicional contribuye significativamente a reconstruir el proceso de enfriamiento y evolución del interior lunar a lo largo de millones de años.

Rendimiento y limitaciones del modelo

Los resultados obtenidos no son uniformes en todas las tareas evaluadas. La NASA ha informado que el modelo equiparó o superó a varios sistemas de referencia convencionales, mostrando su mayor ventaja en la estimación de prospectividad de hielo. En contraste, en aplicaciones relacionadas con cráteres y estructuras volcánicas, las diferencias de rendimiento fueron más moderadas. Adicionalmente, el modelo no ha sido validado para certificar zonas seguras de alunizaje ni para evaluar riesgos operacionales inherentes a futuras misiones tripuladas.

A pesar de estas limitaciones, el verdadero valor del modelo reside en su capacidad para ofrecer a la comunidad científica una plataforma abierta y reutilizable que acelera significativamente el análisis de un archivo lunar que continúa expandiéndose. Esta herramienta permite formular preguntas más perspicaces y fundamentadas sobre la superficie lunar, mejorando la calidad general de la investigación científica y preparando el terreno para decisiones estratégicas en futuras expediciones espaciales.