IBM y la NASA han anunciado el lanzamiento del modelo de código abierto denominado «Modelo Fundacional Lunar NASA-IBM», uno de los primeros modelos fundacionales disponibles públicamente para la exploración científica de la Luna.
Entrenado con un amplio conjunto de datos de observaciones lunares recopilados por investigadores de IBM y la NASA, el modelo puede ayudar a los científicos a transformar décadas de datos complejos, obtenidos con diferentes instrumentos, en información valiosa que contribuya al establecimiento de una presencia humana sostenible en la Luna.
La topografía lunar está en constante cambio. Con el tiempo, su superficie ha formado cráteres, acumulado depósitos de hielo e incluso registrado actividad volcánica. Durante décadas, sensores e instrumentos han monitorizado continuamente la Luna, generando petabytes de datos. Sin embargo, para estudiar su superficie, los científicos aún dependen en gran medida de la interpretación manual de mapas e imágenes o de modelos de aprendizaje automático de baja resolución desarrollados para tareas específicas.
Además de requerir una gran capacidad de cálculo, estos enfoques no siempre ofrecen la precisión científica necesaria para identificar y estudiar las características geológicas. El nuevo Modelo Fundacional Lunar NASA-IBM ayudará a los investigadores a acelerar el progreso científico al identificar relaciones ocultas entre diferentes tipos y resoluciones de datos lunares.
Con el Modelo de la Fundación Lunar de la NASA e IBM, los investigadores podrán explorar diversos fenómenos lunares, entre ellos:
Posibles depósitos de hielo lunar: las regiones permanentemente en sombra se encuentran entre los entornos más difíciles de observar en la Luna, pero podrían albergar hielo bajo la superficie. El hielo lunar indica la presencia de agua y oxígeno, recursos considerados esenciales para futuras bases lunares y para la producción de combustible para misiones a Marte. Al combinar observaciones multimodales con diferentes resoluciones, el modelo puede predecir la ubicación de estos depósitos. Un documento técnico elaborado por IBM y la NASA muestra que el modelo redujo el error cuadrático medio (RMSE) en la identificación de áreas con alto potencial de hielo lunar hasta en un 22 % en comparación con el modelo SwinV2-B (ImageNet).
Historia volcánica: los científicos estudian las formaciones volcánicas lunares conocidas como Parches Irregulares de Mare para profundizar en la comprensión de la historia volcánica y la evolución térmica de la Luna. La identificación de estas regiones también se considera estratégica para futuras operaciones en la superficie lunar. Utilizando etiquetas imperfectas, el modelo logró capturar la extensión de estas formaciones volcánicas con un rendimiento un 3 % superior al de SwinV2-B (ImageNet), alcanzando niveles de precisión comparables con mayor eficiencia y menores costos de ajuste fino.
Detección de cráteres: Los cráteres se encuentran entre las características más importantes y llamativas de la superficie lunar, ya que ofrecen valiosas pistas sobre la historia de la Luna, incluyendo la edad de su terreno, su evolución geológica y la composición química de su interior primitivo. El mapeo de estas formaciones también es crucial para ayudar a la NASA a seleccionar sitios de aterrizaje seguros, identificar peligros como pendientes pronunciadas y rocas grandes, y planificar futuras infraestructuras en la superficie lunar. Con el modelo, los investigadores pueden identificar, contextualizar y clasificar cráteres con una resolución a escala métrica. El estudio asociado demuestra una precisión comparable a la de modelos de vanguardia, como SwinV2-B, con mayor eficiencia y menores costos de ajuste fino. Con una resolución de contexto (aproximadamente 100 metros), el modelo supera a SwinV2-B en casi un 19 %, utilizando solo la mitad de los datos de entrenamiento.
“La NASA ha dedicado décadas a construir un extraordinario archivo científico de la Luna, pero recopilar datos es solo una parte del trabajo. También necesitamos que esos datos sean más accesibles y fáciles de explorar. El Modelo de la Fundación Lunar NASA-IBM demuestra el potencial de la inteligencia artificial para transformar petabytes de datos científicos en nuevos descubrimientos”, declaró Kevin Murphy, Director de Datos Científicos y Director Interino de Datos e IA de la Agencia.
Juan Bernabé-Moreno, Director de IBM Research para Europa, Reino Unido e Irlanda, añadió:
“Desvelar los misterios de la Luna requiere la capacidad de extraer conocimiento de un volumen extraordinario de datos científicos. El Modelo de la Fundación Lunar NASA-IBM ofrece a los científicos una base para explorar la Luna a gran escala, conectando observaciones de diferentes instrumentos, revelando patrones que serían difíciles de identificar de forma aislada y proporcionando una plataforma abierta sobre la que la comunidad científica global puede seguir desarrollando la investigación”.
A pesar de la gran cantidad de datos lunares disponibles, no existía un conjunto de datos público unificado que reuniera información multimodal y multirresolución en una estructura común adecuada para los métodos modernos de aprendizaje automático. Junto con el modelo, científicos de IBM y la NASA desarrollaron el primer conjunto de datos lunares de código abierto de su tipo: un conjunto de datos lunares unificado y listo para el aprendizaje automático que agrega más de 30 capas alineadas espacialmente de nueve instrumentos distribuidos en cuatro misiones.
El conjunto de datos reúne decenas de miles de imágenes y mapas con propiedades geofísicas únicas de la superficie lunar, obtenidos por el Orbitador de Reconocimiento Lunar (LRO) y la misión GRAIL de la NASA, e incorpora datos lunares complementarios de la misión SELENE/Kaguya de la Agencia Japonesa de Exploración Aeroespacial (JAXA). El resultado es una visión rica y multimodal de la superficie y el subsuelo de la Luna, disponible para que la comunidad científica dedicada a la investigación lunar amplíe y desarrolle nuevos estudios.
El modelo refuerza una colaboración ya establecida entre IBM y la NASA, centrada en transformar valiosos datos científicos en una base de datos abierta para impulsar descubrimientos en toda la comunidad científica. Al poner el modelo a disposición como código abierto, científicos e investigadores obtienen acceso a sistemas de IA de vanguardia capaces de acelerar el progreso en la exploración lunar.
El Modelo de la Fundación Lunar NASA-IBM se une a la familia Prithvi de modelos de base abierta, que ya incluye aplicaciones en datos geoespaciales, meteorología, heliofísica y, ahora, ciencia lunar. En conjunto, estos modelos respaldan una visión más amplia para la investigación científica: en lugar de desarrollar un nuevo sistema algorítmico para cada pregunta científica, los investigadores pueden partir de un modelo compartido y adaptarlo a nuevas tareas, acelerando así los descubrimientos en diferentes áreas del conocimiento.
Con información e imágenes de IBM