NASA e IBM desarrollaron un modelo de inteligencia artificial (IA) entrenado con millones de datos obtenidos por distintas misiones lunares. Puede ayudar a identificar cráteres, estudiar formaciones volcánicas y estimar regiones con potencial presencia de hielo. Más allá de sus aplicaciones sobre la Luna, el proyecto muestra cómo la IA empieza a incorporarse directamente al análisis científico de otros mundos.
La exploración espacial lleva décadas produciendo imágenes, mapas y mediciones de otros cuerpos del Sistema Solar. Cada nueva misión suma instrumentos, resoluciones y tipos de datos, pero existe un problema que crece junto con esa capacidad de observar: hay mucho más información para analizar de la que una persona o un equipo puede revisar manualmente. En ese contexto, la inteligencia artificial empieza a ocupar un lugar diferente dentro de la ciencia planetaria. Ya no se trata solamente de utilizar algoritmos para automatizar una tarea puntual, sino de entrenar modelos capaces de aprender patrones a partir de grandes conjuntos de datos y después adaptarlos a distintas preguntas científicas.
El último ejemplo llega de la Luna. El 10 de septiembre, NASA e IBM anunciaron la publicación abierta del NASA-IBM Lunar Foundation Model, un modelo fundacional de inteligencia artificial diseñado específicamente para analizar datos de teledetección lunar. El sistema fue entrenado con observaciones obtenidas durante años por distintas misiones y está disponible de manera abierta para investigadores que quieran utilizarlo y adaptarlo.
Una IA entrenada con décadas de observaciones de la Luna
El modelo se construyó principalmente a partir de datos de la Lunar Reconnaissance Orbiter (LRO), una misión de NASA que lleva 17 años estudiando la superficie lunar. El conjunto utilizado para el entrenamiento reúne aproximadamente dos millones de bloques de imágenes, entre ellos más de un millón de imágenes de alta resolución, con información de hasta un metro por píxel, y casi un millón de imágenes multiespectrales de alrededor de 100 metros por píxel.
Pero el modelo no se limita a aprender de fotografías. NASA e IBM combinaron información de diferentes instrumentos y misiones para construir un conjunto de datos multimodal. El conjunto abierto asociado al proyecto reúne más de 30 capas de información espacialmente alineadas provenientes de nueve instrumentos y cuatro misiones, incluyendo datos de LRO, GRAIL, Lunar Prospector y la misión japonesa SELENE/Kaguya.
Esto es importante porque la superficie lunar puede observarse de muchas maneras. Una cámara puede mostrar la morfología de un cráter; un mapa topográfico permite conocer su relieve; otros instrumentos aportan información sobre propiedades geofísicas. Al combinar esas observaciones, el modelo puede aprender relaciones entre diferentes tipos de información que serían más difíciles de aprovechar si cada conjunto se analizara por separado.
El trabajo científico detrás del modelo fue publicado como un artículo técnico bajo el título Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing. Según sus autores, el sistema fue entrenado desde cero con casi dos millones de conjuntos de datos lunares registrados espacialmente, que abarcan 11 modalidades y dos escalas de resolución.
¿Qué hace diferente a un modelo fundacional?
Un modelo tradicional de aprendizaje automático suele entrenarse para resolver una tarea específica. Por ejemplo, se le pueden proporcionar miles de imágenes de cráteres previamente identificados y enseñarle a reconocer otros cráteres. Un modelo fundacional parte de una lógica diferente. Primero aprende representaciones generales a partir de un conjunto de datos muy grande. Después puede adaptarse mediante un ajuste específico, conocido como fine-tuning, para resolver distintas tareas. La diferencia puede pensarse como la que existe entre enseñar a un sistema una única tarea y darle primero una representación amplia del problema para después especializarlo. En el caso del modelo lunar, la idea es que una misma base pueda reutilizarse para estudiar diferentes características de la superficie sin tener que construir desde cero un algoritmo independiente para cada pregunta. NASA plantea justamente esta estrategia como parte de su programa de inteligencia artificial para ciencia.
El modelo además fue diseñado para trabajar con datos de distintas resoluciones. La versión publicada utiliza información de aproximadamente 1 metro por píxel y 100 metros por píxel, y fue entrenada para procesar ambas escalas dentro de una misma arquitectura. También incorpora información sobre la geometría de adquisición, como las condiciones de iluminación con las que fue obtenida cada observación. Esto es especialmente relevante en la Luna, donde las sombras y el ángulo de iluminación pueden modificar de manera importante la apariencia de una misma formación superficial.
Aplicaciones
NASA e IBM pusieron a prueba el modelo en varias tareas concretas de ciencia lunar. Una de ellas es la detección de cráteres. La superficie lunar está cubierta de estructuras producidas por impactos, y estudiarlas permite reconstruir la historia geológica del satélite. El número, distribución y características de los cráteres pueden utilizarse, por ejemplo, para estimar la edad relativa de distintas superficies.
Otra aplicación está relacionada con uno de los recursos más buscados de la Luna: el hielo de agua. En las regiones polares existen cráteres cuyo interior permanece permanentemente en sombra debido a la geometría de rotación y traslación de la Luna. Estas zonas son especialmente difíciles de observar y constituyen uno de los principales objetivos de la exploración lunar porque podrían conservar depósitos de agua en forma de hielo. El modelo puede utilizar diferentes capas de información para estimar la prospectividad de hielo, es decir, qué regiones presentan características compatibles con una mayor probabilidad de encontrarlo. Esto podría ayudar a priorizar lugares para futuras investigaciones y a estudiar posibles sitios de interés para la exploración.
Pero acá es importante no confundir una predicción de inteligencia artificial con una detección directa. El modelo no está midiendo hielo bajo la superficie. Está aprendiendo relaciones presentes en los datos disponibles y produciendo una estimación sobre dónde podrían existir condiciones asociadas con su presencia. Los propios autores señalan esta limitación: el resultado de prospectividad de hielo es un objetivo modelado, no una medición directa.
De analizar imágenes a combinar instrumentos
Uno de los aspectos más interesantes del proyecto no está solamente en que la IA pueda reconocer cráteres más rápido, sino que está en la posibilidad de combinar observaciones diferentes dentro de una misma representación. Las misiones planetarias no producen un único tipo de imagen. Cada instrumento observa determinadas propiedades del terreno y trabaja con una resolución, una longitud de onda o una escala diferente. Durante años, buena parte de ese trabajo científico consistió en analizar esos productos por separado y después relacionarlos.
Un modelo multimodal intenta aprovechar justamente esa diversidad. El trabajo técnico de NASA e IBM muestra que el sistema puede aprender correspondencias entre diferentes tipos de información, incluyendo relaciones entre datos topográficos, iluminación y reflectancia.
Esto abre una posibilidad interesante para la ciencia planetaria: en lugar de preguntarle a un algoritmo solamente “¿dónde hay un cráter?”, se puede construir una herramienta capaz de integrar diferentes propiedades de una misma región y después adaptarla a nuevas preguntas. La ventaja no está necesariamente en que la máquina “entienda” la Luna como lo haría una persona. Lo que hace es encontrar regularidades estadísticas en enormes cantidades de datos y utilizarlas para producir nuevas inferencias. La interpretación científica de esas inferencias sigue requiriendo conocimiento del fenómeno, controles independientes y comparación con observaciones reales.
¿La IA está descubriendo la Luna?
El modelo no reemplaza a las misiones, los instrumentos ni a quienes hacen ciencia planetaria. Trabaja sobre datos que ya fueron obtenidos mediante observaciones físicas y los utiliza para encontrar patrones, clasificar estructuras o generar estimaciones. Esto también significa que sus resultados dependen de los datos con los que fue entrenado. Si una característica no está representada adecuadamente en el conjunto de entrenamiento, si las etiquetas utilizadas tienen errores o si existen diferencias entre las condiciones de observación, el modelo puede producir resultados imperfectos.
El propio repositorio científico del proyecto reconoce varias limitaciones. Por ejemplo, algunos de los conjuntos utilizados para evaluar el modelo son pequeños, y todavía quedan análisis por realizar para separar completamente cuánto de la mejora observada proviene del preentrenamiento y cuánto de la arquitectura utilizada. Por eso, en ciencia, una predicción de IA no constituye automáticamente un descubrimiento. Puede convertirse en una herramienta para encontrar dónde mirar, qué comparar o qué hipótesis investigar. Después viene la parte propiamente científica: comprobar si esa interpretación resiste nuevas observaciones y análisis independientes.
Una tendencia que ya va más allá de la Luna
El modelo lunar tampoco aparece aislado. Forma parte de una estrategia más amplia de NASA e IBM para desarrollar modelos fundacionales destinados a diferentes áreas de la ciencia. Antes del modelo lunar llegaron Prithvi, una familia de modelos entrenados con datos de observación de la Tierra, y Surya, desarrollado con datos de observación del Sol para estudiar fenómenos relacionados con el clima espacial. NASA también trabaja con modelos orientados a meteorología, clima y otras áreas científicas. La lógica detrás de estos proyectos es similar: existen décadas de observaciones científicas almacenadas en enormes archivos de datos, y la inteligencia artificial puede convertirse en una nueva capa de análisis sobre ese conocimiento acumulado.
En astronomía y ciencias planetarias, esto resulta especialmente atractivo porque las observaciones son cada vez más numerosas. Nuevas misiones, telescopios y observatorios generan conjuntos de datos que crecen a una velocidad que vuelve poco realista pensar en analizarlos exclusivamente mediante inspección humana. La inteligencia artificial aparece entonces como una nueva herramienta para trabajar con lo que el telescopio ya observó.
Una nueva etapa para la exploración planetaria
Durante buena parte de la historia de la exploración espacial, ampliar nuestro conocimiento de otros mundos significó principalmente construir mejores instrumentos: cámaras con mayor resolución, espectrómetros más sensibles, radares capaces de atravesar determinadas capas de material o sondas capaces de acercarse a lugares donde nunca habíamos observado. Ahora empieza a aparecer otra frontera: qué podemos hacer con todos esos datos una vez que los tenemos.
El NASA-IBM Lunar Foundation Model representa uno de los primeros ejemplos en los que un modelo fundacional se construye específicamente alrededor de un cuerpo planetario y de múltiples tipos de observación. Su valor no está solamente en resolver una tarea puntual, sino en ofrecer una base que otros equipos puedan adaptar y estudiar. El modelo, los datos de entrenamiento preparados para aprendizaje automático y el código asociado fueron publicados de forma abierta para favorecer su reutilización y reproducibilidad.
La Luna vuelve a funcionar así como un laboratorio. Esta vez no solamente para estudiar la evolución de un cuerpo vecino, sino también para probar una nueva forma de hacer ciencia: usar inteligencia artificial para encontrar patrones dentro de décadas de observaciones y convertir una cantidad creciente de datos en nuevas preguntas sobre el universo que habitamos.
La próxima frontera de la exploración planetaria podría no estar únicamente en llegar más lejos. También puede estar en aprender a mirar de otra manera todo lo que ya conseguimos observar.
Tal vez te interese: ¿Por qué la NASA quiere construir una base en la Luna? (video)