La carrera espacial ha dado un paso tecnológico decisivo de la mano de la inteligencia artificial. La NASA e IBM han publicado conjuntamente un modelo básico a gran escala de código abierto diseñado específicamente para la investigación lunar. El sistema, que ya está disponible para su descarga libre en la plataforma Hugging Face, aspira a convertirse en la herramienta definitiva para preparar las próximas misiones del programa Artemis.
Identificación de hielo y mapeo de cráteres con precisión récord
Tras el histórico sobrevuelo lunar completado la pasada primavera por la misión tripulada Artemis 2, la comunidad científica necesitaba herramientas analíticas más potentes para procesar el ingente volumen de datos orbitales. En las pruebas comparativas realizadas por ambas organizaciones, el nuevo modelo demostró un rendimiento sobresaliente:
- Detección de zonas heladas: El sistema resultó altamente eficaz localizando áreas de la superficie lunar donde existen altas probabilidades de encontrar depósitos de hielo, reduciendo el error de reconocimiento en un 23% frente a SwinV2-B, el conocido modelo de procesamiento de imágenes de alta resolución desarrollado por Microsoft.
- Clasificación de impactos: En las pruebas de reconocimiento de cráteres, la inteligencia artificial superó al modelo de referencia de Microsoft en un 19% utilizando únicamente la mitad de los datos de entrenamiento.
- Validación en un caso real: La solidez del algoritmo se puso a prueba de forma imprevista el pasado 5 de agosto, cuando un cohete Falcon 9 de SpaceX impactó contra la superficie lunar. Al introducir las nuevas imágenes en el sistema, este fue capaz de identificar con precisión quirúrgica los cráteres recién formados, incluso aquellos que se superponían fuertemente sobre formaciones geológicas preexistentes.
Superando los retos de la iluminación lunar
Entrenar una red neuronal con cartografía extraterrestre supuso un desafío técnico sin precedentes debido a las condiciones lumínicas del satélite. A diferencia de la teledetección terrestre, donde la atmósfera difumina la luz solar y suaviza los contornos de las sombras, en la Luna los bordes de la oscuridad son completamente negros y nítidos, careciendo de información útil en sus píxeles. Además, la variación constante del ángulo del Sol provoca que un mismo cráter luzca de forma radicalmente distinta según la fotografía.
Los métodos tradicionales de visión artificial —como el enmascaramiento y la reconstrucción de fragmentos de imagen— fracasaron estrepitosamente en las fases iniciales. La solución llegó al dividir la superficie lunar en bloques geométricos con forma de sector (similares a los gajos de una naranja), aislando por completo los datos de entrenamiento de los de prueba para garantizar la consistencia analítica.
Un hito basado en millones de datos abiertos
Más allá del algoritmo en sí, el verdadero valor de este lanzamiento radica en la estructuración de la información. El proyecto integra decenas de miles de imágenes y registros procedentes de misiones históricas como la Lunar Reconnaissance Orbiter (LRO) y GRAIL de la NASA, sumadas a las aportaciones del orbitador japonés SELENE.
Gracias a la creación de un sistema de cuadrícula donde cada píxel se corresponde de forma unívoca con múltiples dimensiones de datos de sondas, la comunidad científica internacional cuenta ahora con un registro unificado de más de dos millones de puntos de datos estructurados. Como bien recuerda el equipo de investigación, aunque los modelos de inteligencia artificial evolucionen con rapidez, es la calidad y solidez de las bases de datos abiertas la que garantiza el avance constante de la ciencia espacial.
Déjanos tu opinión en los comentarios y únete a la discusión en Instagram, Facebook y YouTube.
