El mapa lunar definitivo: la NASA tira de la inteligencia artificial de IBM para hallar hielo, cráteres y rastros volcánicos en la Luna

La NASA e IBM han consolidado una alianza estratégica e histórica tras el lanzamiento oficial de un innovador modelo de inteligencia artificial de código abierto diseñado para transformar por completo la exploración científica de la Luna. Esta potente herramienta tecnológica procesa y cruza petabytes de datos espaciales acumulados a lo largo de décadas de misiones orbitales, ofreciendo una precisión sin precedentes para identificar depósitos de hielo atrapados en los polos, automatizar y acelerar el inventario de cráteres de impacto y descubrir inusuales formaciones volcánicas que desafían lo que sabíamos sobre la evolución geológica de nuestro satélite.

El proyecto ha sido coordinado desde la sede central de la agencia espacial estadounidense por el equipo de IA Impact del Centro de Vuelo Espacial Marshall, en colaboración directa con expertos de los centros Goddard y Ames, así como de IBM Research. A este esfuerzo multidisciplinar se han sumado instituciones académicas de primer nivel como la Universities Space Research Association , el Instituto SETI, la Universidad Howard y la Universidad de Maryland en el condado de Baltimore. Para entrenar al sistema se ha empleado una imponente base de datos de aproximadamente 2 millones de imágenes procedentes de la sonda Lunar Reconnaissance Orbiter (LRO)—que incluye más de 1 millón de capturas de alta resolución a 1 metro y cerca de 964.000 imágenes multiespectrales a 100 metros—, complementadas con mediciones topográficas y geofísicas de las misiones GRAIL, Lunar Prospector y Selene/Kaguya de la JAXA japonesa.

A diferencia de los algoritmos convencionales que exigen un desarrollo individualizado para cada tarea, este sistema se basa en la arquitectura de los modelos fundacionales . Al estar preentrenado con una enorme masa de información no etiquetada, los investigadores pueden adaptarlo con solo una pequeña muestra de datos para tareas cartográficas complejas. En las pruebas de rendimiento, el modelo Prithvi ha mostrado una mejora de hasta el 23% en la identificación de características geográficas y ha reducido el margen de error hasta en un 22% en la detección de posibles depósitos de hielo polar frente al modelo de referencia SwinV2-B, además de superar en un 19% el reconocimiento de cráteres utilizando tan solo la mitad de los datos de entrenamiento.

“ La NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna , pero la recopilación de datos es solo una parte del trabajo”, afirmó Kevin Murphy , director de datos científicos y director interino de datos e IA en la sede de la NASA en Washington. “También debemos facilitar a los científicos la exploración y el uso de los datos. El Modelo Fundacional Lunar de la NASA-IBM demuestra lo que es posible al aplicar la IA a los petabytes de datos científicos de la NASA.