IBM y NASA presentan el NASA-IBM Lunar Foundation Model, un modelo fundacional de código abierto entrenado con unos dos millones de conjuntos de imágenes y mapas lunares. El sistema reduce un 22% el error al identificar zonas con alta probabilidad de hielo.
IBM y la NASA han presentado el NASA-IBM Lunar Foundation Model, un modelo fundacional de código abierto diseñado para trabajar con la información científica acumulada sobre la Luna durante décadas. La herramienta busca resolver un problema concreto: relacionar millones de imágenes, mapas y mediciones tomadas por instrumentos con resoluciones y características distintas. La información, avanzada por MuyComputer, detalla que el modelo se distribuye bajo licencia Apache 2.0.
El Lunar Reconnaissance Orbiter observa prácticamente toda la superficie lunar desde 2009 y ha generado una cantidad extraordinaria de datos, a los que se suman las mediciones de misiones como GRAIL, Lunar Prospector y la japonesa SELENE/Kaguya. Los instrumentos no observan lo mismo ni de la misma manera: unos resuelven detalles de apenas unos metros y otros trabajan a escalas de cientos o miles. IBM y NASA han reunido más de 30 capas de información espacialmente alineadas, procedentes de nueve instrumentos y cuatro misiones, y han creado un conjunto de datos abierto preparado para aprendizaje automático.
Para entrenar el modelo se utilizaron alrededor de dos millones de conjuntos de imágenes y mapas lunares. En lugar de crear un sistema independiente para cada problema, han entrenado una base común capaz de aprender relaciones entre múltiples tipos de observación y diferentes resoluciones. Después puede especializarse con cantidades mucho menores de información etiquetada para tareas concretas.
La búsqueda de hielo lunar es la aplicación que más atención puede atraer. Las regiones permanentemente en sombra de los polos se encuentran entre los lugares más difíciles de estudiar, pero podrían conservar depósitos de hielo durante periodos extraordinariamente largos. Localizarlos importa para comprender la historia de la Luna y también para futuras misiones tripuladas: el agua podría utilizarse para consumo, para obtener oxígeno y, potencialmente, como materia prima para producir propelente. El modelo no detecta directamente agua escondida bajo la superficie, sino que combina temperatura, topografía y otras observaciones para estimar qué regiones presentan un mayor potencial.
En las pruebas publicadas por IBM y NASA, el Lunar Foundation Model redujo alrededor de un 22% el error al identificar zonas con alta probabilidad de hielo frente a un modelo SwinV2-B utilizado como referencia. En detección de cráteres a escalas cercanas a los 100 metros logró una mejora próxima al 19% utilizando solamente la mitad de los datos de entrenamiento, mientras que a resolución métrica obtuvo una precisión comparable con un coste de adaptación menor. También mejoró aproximadamente un 3% la delimitación de las denominadas Irregular Mare Patches, formaciones que ayudan a reconstruir la actividad volcánica y la evolución térmica de la Luna.
Hay un ejemplo más fácil de visualizar que cualquier benchmark. El pasado agosto, una etapa superior de Falcon 9 impactó contra la superficie lunar cerca del cráter Einstein. El Lunar Reconnaissance Orbiter fotografió posteriormente la zona y el modelo fue capaz de localizar el nuevo cráter entre los que ya existían. La imagen tomada después del impacto se había excluido del entrenamiento previo, por lo que el sistema no podía limitarse a reconocer algo que ya hubiera visto.
El modelo, su código y los datos necesarios para trabajar con él son abiertos, y están disponibles para que universidades, centros de investigación y otros equipos puedan reproducir los resultados, adaptarlo a nuevos problemas o desarrollar aplicaciones que IBM y NASA no hayan contemplado. El proyecto continúa una colaboración que ya ha dado lugar a otros modelos científicos abiertos, como Prithvi para observación terrestre y Surya para heliofísica.
También te puede interesar
