El sistema es de código abierto y fue entrenado con décadas de observaciones de la superficie lunar. Puede analizar grandes volúmenes de información e identificar características como cráteres, formaciones volcánicas y zonas con potencial presencia de hielo.
IBM y la NASA presentaron el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial de código abierto desarrollado para analizar información sobre la Luna. La herramienta fue entrenada a partir de un amplio conjunto de observaciones recopiladas durante distintas misiones y busca facilitar el procesamiento de datos que, hasta ahora, requerían análisis manuales o modelos específicos para cada tarea.
Durante décadas, diferentes instrumentos y sensores generaron enormes cantidades de imágenes, mapas y mediciones de la superficie lunar. El nuevo modelo permite combinar información obtenida con distintas tecnologías y resoluciones para detectar relaciones y patrones entre esos datos. Entre sus posibles aplicaciones se encuentran el estudio de cráteres, la actividad volcánica y la identificación de regiones donde podría existir hielo.
Una herramienta para analizar posibles depósitos de hielo
Uno de los usos evaluados por los investigadores es la detección de zonas con potencial presencia de hielo, especialmente en regiones de la Luna que permanecen en sombra de manera permanente y resultan difíciles de observar. Según el informe técnico elaborado por IBM y la NASA, el modelo logró reducir hasta un 22% el error en esta tarea frente a uno de los sistemas utilizados como referencia.
La presencia de hielo es uno de los aspectos de interés para las futuras misiones lunares porque podría indicar disponibilidad de agua y oxígeno. Estos recursos podrían tener utilidad en el desarrollo de una presencia humana sostenida en la Luna y, eventualmente, en la producción de combustible para otras misiones espaciales. El modelo también fue probado para estudiar formaciones volcánicas y mostró resultados comparables o superiores a otros métodos de aprendizaje automático.
Cráteres, mapas y datos de distintas misiones
Otra de las aplicaciones es el reconocimiento y la clasificación de cráteres. Estos accidentes permiten obtener información sobre la antigüedad y la composición geológica de diferentes regiones, pero también son relevantes para evaluar posibles lugares de aterrizaje. En pruebas realizadas a una resolución de alrededor de 100 metros, el modelo superó en cerca de un 19% al sistema de referencia utilizado por los investigadores, con la mitad de los datos de entrenamiento.
Junto con el modelo, IBM y la NASA publicaron un conjunto de datos lunares preparado para sistemas de aprendizaje automático. Reúne más de 30 capas de información obtenidas por nueve instrumentos de cuatro misiones e incorpora decenas de miles de imágenes y mapas. El material incluye datos de misiones de la NASA y de la agencia espacial japonesa JAXA y también estará disponible para la comunidad científica, con el objetivo de que otros equipos puedan utilizarlo y adaptar el modelo a nuevas investigaciones.
