La sonda Lunar Reconnaissance Orbiter de la NASA ha estado capturando imágenes de la Luna durante 17 años, pero hasta ahora no se había realizado un análisis exhaustivo de estas imágenes. En respuesta a esta necesidad, la NASA ha colaborado con IBM para desarrollar una inteligencia artificial que sea capaz de rastrear hielo y localizar nuevos cráteres en la superficie lunar. Este avance se produce en un momento en que la agencia espacial se prepara para regresar a la Luna con astronautas, tras el vuelo de cuatro tripulantes que orbitó el satélite en abril de 2026, el primero desde 1972. El siguiente objetivo del programa Artemis es un alunizaje tripulado que, aunque ha sufrido cambios en su calendario, se espera que tenga lugar en 2028. El lugar elegido para esta misión es la región del polo sur lunar, que presenta un gran interés debido a su constante luz solar y su proximidad a posibles depósitos de hielo.
Sin embargo, el terreno del polo sur es más complicado que aquel explorado por las misiones Apolo, ya que presenta sombras permanentes y una gran cantidad de cráteres. Por esta razón, antes de enviar astronautas nuevamente, es crucial obtener un conocimiento detallado sobre la ubicación del hielo y las áreas seguras para el aterrizaje. Este conocimiento se basa en los datos que la NASA ha acumulado durante años, pero que han permanecido en gran parte sin un análisis exhaustivo. Aquí es donde la inteligencia artificial juega un papel fundamental, no como un sustituto de la exploración, sino como un método para acelerar el proceso de análisis previo.
Para satisfacer esta demanda, se ha creado el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial de código abierto que está disponible para su descarga y uso por parte de la comunidad científica. Este modelo ha sido entrenado utilizando imágenes de la Lunar Reconnaissance Orbiter, así como datos de otras misiones, como GRAIL, Lunar Prospector y la japonesa SELENE, formando un archivo mucho más grande que el de cualquier otra misión planetaria de la NASA. Hasta ahora, la utilización de estos datos dependía de revisiones manuales o de programas específicos para tareas concretas. El nuevo modelo, en cambio, aprende patrones generales de todas las imágenes y datos combinados, lo que le permite adaptarse a diferentes usos sin necesidad de comenzar desde cero.
El proceso de entrenamiento del modelo fue complejo, ya que muchos cráteres presentan similitudes y las sombras que proyectan en la superficie lunar son muy marcadas y completamente oscuras, lo que complicaba la identificación. Para superar este desafío, el equipo de IBM Research separó las áreas de la Luna utilizadas para entrenar el modelo de aquellas empleadas para validar su funcionamiento. Este proyecto se basa en la experiencia previa de ambas entidades en la aplicación de modelos de inteligencia artificial en otros campos, como la observación de la Tierra o el estudio del Sol, siendo la Luna el último terreno por explorar.
El modelo no detecta directamente el agua congelada, sino que estima la probabilidad de que exista hielo estable en función de datos de temperatura, pendiente, orientación y profundidad del terreno. Este enfoque se conoce como prospectividad y proporciona un mapa de probabilidades en lugar de imágenes directas del hielo. Esta distinción es relevante, especialmente en el contexto del polo sur lunar, donde las temperaturas en áreas permanentemente en sombra pueden caer por debajo de los 200 grados Celsius, lo que permite la conservación del hielo durante miles de millones de años. Localizar este hielo no solo es un desafío científico, sino que también podría resultar en un recurso valioso para futuras misiones, tanto para el consumo humano como para la producción de oxígeno y combustible.
Las misiones anteriores ya habían identificado numerosos cráteres con hielo cerca del polo norte lunar, estimando la existencia de cientos de millones de toneladas en total. La capacidad de localizar con mayor precisión estos depósitos de hielo facilitará la toma de decisiones sobre dónde establecer bases y llevar a cabo exploraciones. En este sentido, el nuevo modelo demuestra una ventaja significativa sobre los métodos anteriores, ya que ha mostrado estimaciones de prospectividad de hielo más precisas en las pruebas realizadas por la NASA y IBM.
El análisis de cráteres también permite calcular la edad de la superficie lunar, dado que una mayor cantidad de impactos indica más tiempo de exposición. Aunque ya se han catalogado millones de grandes cráteres, muchos pequeños, especialmente en las regiones polares, aún no han sido documentados, lo que es crucial para el interés del programa Artemis. Además, los cráteres representan un riesgo práctico al ser el rasgo más común de la superficie lunar, lo que hace necesario contar con mapas detallados para seleccionar las zonas de aterrizaje más seguras.
Recientemente, el modelo tuvo la oportunidad de demostrar su eficacia tras el impacto de una etapa del cohete Falcon 9 de SpaceX, que creó un nuevo cráter cerca del cráter Einstein. La inteligencia artificial identificó correctamente esta nueva formación en imágenes que no habían sido utilizadas durante su entrenamiento, lo que evidencia que el sistema puede reconocer cambios reales en la superficie lunar. Sin embargo, tanto la NASA como IBM han enfatizado que el modelo no está diseñado para certificar zonas de aterrizaje ni para tomar decisiones operativas en misiones, sino que se trata de una herramienta para acelerar la investigación científica.
Etiquetas: Inteligencia Artificial, NASA, IBM, IA, Luna
Sin comentarios
Para comentar debes tener una cuenta. ¡Es gratis!
Regístrate gratis Iniciar sesión