NASA e IBM lanzan una IA gratuita que detecta hielo de agua en la Luna con 22% más de precisión

Encontrar hielo de agua en la Luna es uno de los problemas más difíciles de la ciencia planetaria. El hielo no está distribuido de manera uniforme, se oculta en cráteres permanentemente sombreados en los polos, e identificarlo desde la órbita requiere distinguir señales espectrales débiles del ruido de los instrumentos. El Lunar Foundation Model de IBM y NASA está diseñado específicamente para ese problema.

El Lunar Foundation Model es una IA de código abierto entrenada con más de dos millones de imágenes de cinco naves espaciales que orbitan la Luna: el Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya y otras. Está disponible en Hugging Face y GitHub a través del marco geoespacial TerraTorch de IBM, sin costo alguno.

En pruebas de referencia, el modelo identifica depósitos de hielo de agua con un 22% más de precisión que los métodos anteriores. También encuentra cráteres lunares con un 19% más de precisión. Notablemente, alcanza ese rendimiento utilizando la mitad de los datos de entrenamiento etiquetados que requieren modelos comparables, una característica importante para la ciencia lunar, donde los conjuntos de datos etiquetados son costosos de producir.

El valor práctico está en el mapeo de recursos para el programa Artemis. NASA planea establecer una presencia humana sostenida cerca del polo sur lunar, donde el hielo de agua podría convertirse en agua potable, oxígeno y propelente de cohetes. Saber dónde está realmente el hielo y cuánto existe, influye directamente en la selección de sitios de aterrizaje y la planificación de infraestructura.

El modelo se publica bajo una licencia abierta porque tanto IBM como NASA contribuyen a él a partir de investigaciones financiadas con fondos públicos. Al ponerlo a disposición gratuitamente, los científicos de universidades, agencias espaciales y empresas privadas pueden usarlo, evaluarlo y mejorarlo sin fricciones de licencias. TerraTorch, el marco de IBM en el que se ejecuta, maneja el pipeline de datos geoespaciales subyacente.

La cifra de mejora del 22% es un resultado de referencia, una comparación contra otros modelos en un conjunto de datos de prueba estandarizado, no una medición de una misión operativa en vivo. Si el Lunar Foundation Model mejorará la toma de decisiones en misiones reales depende de qué tan bien las condiciones de referencia reflejen los datos reales de observación lunar, que varían según la geometría orbital, la calibración de instrumentos y los ángulos de iluminación solar. La validación independiente por grupos no afiliados a IBM o NASA aún no se ha publicado.

El Lunar Foundation Model está disponible en Hugging Face y GitHub. IBM y NASA no han establecido un cronograma para integrar el modelo en la planificación activa de la misión Artemis.

Etiquetas: inteligencia artificial, nasa, IBM, exploración lunar, IA código abierto, Lunar Foundation Model