Durante décadas, los instrumentos y sensores de distintas misiones espaciales han observado continuamente nuestro satélite, generando una inmensa cantidad de datos que los científicos han tenido que analizar manualmente o mediante sistemas de aprendizaje automático de baja resolución y específicos para cada tarea. Estos métodos tradicionales han requerido una gran capacidad de cálculo computacional y carecen del nivel de precisión científica necesario para identificar y estudiar adecuadamente las características geográficas lunares.
Para organizar esta enorme cantidad de información dispersa, los investigadores crearon primero un conjunto de datos unificado y preparado para el aprendizaje automático. Este repositorio de código abierto agrega más de treinta capas alineadas espacialmente, procedentes de nueve instrumentos a bordo de cuatro misiones distintas. En dicha base se combinan decenas de miles de imágenes y mapas que muestran propiedades geofísicas únicas, recopiladas por misiones como la Lunar Reconnaissance Orbiter y la GRAIL de la agencia espacial estadounidense, junto con información complementaria de la sonda SELENE de la agencia japonesa de exploración aeroespacial.
Sobre esta extensa base de observación curada conjuntamente, la NASA e IBM han desarrollado y publicado ahora el modelo de lenguaje NASA-IBM Lunar Foundation Model, uno de los primeros sistemas de inteligencia artificial de código abierto disponibles públicamente para la exploración científica de la Luna.
Su principal objetivo es el de ayudar a los especialistas a transformar toda la información recopilada durante años en conocimientos útiles que respalden el establecimiento de una presencia humana continua en el entorno lunar.
El modelo permite investigar múltiples fenómenos geológicos al identificar relaciones ocultas entre distintos tipos de datos, y una de sus aplicaciones de mayor utilidad es la localización de posibles depósitos de hielo en las regiones permanentemente sombreadas del satélite, las cuales resultan sumamente difíciles de observar de manera convencional.
La presencia de agua congelada es un indicador directo de recursos como el oxígeno y el agua líquida, elementos que resultarán fundamentales para mantener una futura base habitada y para producir combustible destinado a misiones interplanetarias posteriores, como un posible viaje a Marte.
Combinando observaciones de múltiples resoluciones y modalidades, este sistema predictivo mejora el rendimiento de las herramientas utilizadas hasta la fecha, además de reducir el error en la identificación de áreas con alto potencial de albergar hielo hasta en un 22% en comparación con métodos de análisis de imágenes de uso generalizado.
Además de la búsqueda de recursos, el presente sistema también optimiza la detección de cráteres y el estudio de la historia volcánica del satélite. La cartografía de los impactos meteoríticos resulta necesaria para seleccionar zonas de aterrizaje seguras, evitando peligros como pendientes pronunciadas o rocas, y planificando ubicaciones óptimas para infraestructuras a largo plazo.
Paralelamente, el análisis de las formaciones volcánicas irregulares ayuda a comprender la evolución térmica lunar. En ambos casos, la herramienta ofrece una precisión comparable a la de los modelos preexistentes, aportando una mayor eficiencia y menores costes operativos.
El lanzamiento de este modelo de lenguaje se integra dentro de la familia de modelos fundacionales abiertos conocida como Prithvi, la cual ya abarca áreas como la información geoespacial, la meteorología y la heliofísica. El planteamiento de esta iniciativa conjunta es ofrecer un sistema algorítmico compartido que los investigadores puedan adaptar a nuevas tareas sin necesidad de construir una arquitectura desde cero para cada duda o pregunta científica, acelerando los descubrimientos en el ámbito aeroespacial.
