La NASA está incorporando la inteligencia artificial al estudio de la Luna, ayudando a los investigadores a transformar la manera en que analizan la superficie lunar. En el marco de una colaboración continua con IBM Research y varias instituciones académicas, la NASA ha lanzado el Modelo Fundacional Lunar NASA-IBM, uno de los primeros modelos de IA de código abierto desarrollados específicamente para la ciencia lunar. Este modelo, entrenado principalmente con datos del Orbitador de Reconocimiento Lunar (LRO, por sus siglas en inglés) de la NASA, está alojado públicamente en la plataforma comunitaria Hugging Face para que cualquier persona pueda usarlo, y su código fuente completo está disponible para pruebas y experimentación en la plataforma GitHub.
El Modelo Fundacional Lunar NASA-IBM brinda apoyo a la próxima generación de ciencia lunar ayudando a los investigadores a analizar rápidamente grandes volúmenes de datos para comprender mejor la superficie lunar. Utilizando este modelo como herramienta de cartografía, los investigadores pueden desarrollar con rapidez estrategias prácticas para evaluar la accidentada superficie de la Luna, comprender su pasado geológico y planificar futuras investigaciones en la Luna.
“La NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna, pero la recopilación de datos es solo una parte de la labor”, dijo Kevin Murphy, director de datos científicos y director interino de datos e inteligencia artificial en la sede central de la NASA en Washington. “También tenemos que hacer que los datos sean más fáciles de explorar y utilizar para los científicos. El Modelo Fundacional Lunar de la NASA e IBM demuestra lo que es posible lograr cuando aplicamos la IA a los petabytes de datos científicos de la NASA. Esa es la verdadera oportunidad que vemos con la IA: convertir datos a gran escala en nuevos descubrimientos”.
A diferencia de los modelos tradicionales que requieren desarrollar y entrenar desde cero algoritmos especializados para tareas específicas, los modelos fundacionales tienen un entrenamiento previo con conjuntos de datos masivos y no etiquetados. El amplio conocimiento que adquieren durante su preentrenamiento les permite hacer generalizaciones en distintas disciplinas científicas por medio de un rápido ajuste para refinar sus datos, lo que convierte a estos modelos de base en herramientas versátiles y eficientes para acelerar la investigación científica.
Los datos recopilados por el LRO de la NASA en los últimos 17 años eran adecuados para entrenar este modelo fundacional porque abarcan con gran detalle la mayor parte de la superficie lunar. El volumen de datos producidos por la misión LRO supera al de todas las demás misiones planetarias de la NASA combinadas, formando un mosaico de alta resolución prácticamente continuo de toda la Luna. El modelo NASA-IBM se entrenó utilizando aproximadamente dos millones de fragmentos de imágenes provenientes de este conjunto de datos, el cual está compuesto por más de un millón de imágenes de cámara de alta resolución con un nivel de resolución de 1 metro, y cerca de 964.000 imágenes multiespectrales con una resolución de 100 metros. El modelo también se entrenó con imágenes de la Luna de alta resolución y datos del terreno provenientes de otras misiones, tales como el Laboratorio Interior y de Recuperación de Gravedad (GRAIL, por su acrónimo en inglés) y Lunar Prospector, de la NASA, y el Explorador Selenológico y de Ingeniería de la JAXA (Agencia Japonesa de Exploración Aeroespacial).
Dado que este modelo fundacional ya está entrenado previamente con este conjunto de datos, los científicos planetarios pueden adaptarlo a numerosas tareas de investigación lunar —como cartografiar cráteres, detectar formaciones volcánicas recientes y estimar posibles depósitos de hielo cerca de los polos lunares— utilizando solo pequeñas cantidades de datos con etiquetas. Para los investigadores que estudian el hielo polar de la Luna, el modelo NASA-IBM puede ayudarles a determinar dónde es probable que haya zonas de hielo estables, tanto en la superficie como en el subsuelo. Las superficies oscuras, como las regiones de la Luna en sombra permanente, se mantienen lo suficientemente frías como para atrapar y preservar el hielo durante miles de millones de años. El estudio de estas zonas ofrece información sobre la historia de la Luna y presenta la oportunidad de cartografiar recursos potencialmente aprovechables para la futura exploración espacial.
Aunque se considera que la Luna ya no tiene actividad volcánica, en el pasado pasó por procesos geológicos dinámicos. Para los investigadores que estudian el vulcanismo lunar, el modelo NASA-IBM acelera la identificación de formaciones volcánicas de aspecto inusual, conocidas como zonas irregulares de los mares lunares. Dado que estas estructuras parecen ser relativamente jóvenes, desafían las líneas de tiempo establecidas sobre el enfriamiento lunar, y cartografiarlas podría ayudar a los científicos a reconstruir una imagen más precisa de la evolución térmica de la Luna.
El modelo también puede cartografiar características de la superficie, como los cráteres, de manera más eficiente que los métodos manuales. Cada cráter está formado por un impacto, lo que hace que el conteo y la medición de cráteres sean esenciales para fechar la superficie lunar y reconstruir la historia del sistema solar. Este modelo fundacional puede ayudar a agilizar el proceso de identificación y medición de cráteres, permitiendo a los científicos centrarse en interpretar los hallazgos y determinar sus implicaciones para la exploración.
En general, el modelo igualó o superó el desempeño de otros modelos de referencia sólidos en todas las tareas evaluadas, logrando resultados comparables en la cartografía de cráteres y la segmentación de zonas irregulares de los mares lunares, al tiempo que demostró una clara ventaja en la estimación de la estabilidad del hielo polar.
El Modelo Fundacional Lunar NASA-IBM forma parte de la estrategia de IA para la ciencia de la Oficina del Director de Datos Científicos de la agencia: es una colaboración más amplia y continua entre la NASA e IBM destinada a utilizar IA avanzada para explorar nuestro planeta y el sistema solar. Este modelo se suma a un creciente conjunto de modelos de IA desarrollados mediante esta asociación, entre los que se incluyen:
- Los modelos Prithvi: familia de modelos preentrenados con datos de observación de la Tierra y diseñados para respaldar aplicaciones como el monitoreo de desastres, la creación de mapas de inundaciones y la predicción del rendimiento de los cultivos.
- El modelo Surya: modelo de heliofísica entrenado con datos de observación solar de alta resolución para predecir fenómenos meteorológicos espaciales, como las erupciones solares, que pueden afectar las redes eléctricas y las operaciones de los satélites.
Dentro de la NASA, el equipo de Impact AI en el Centro de Vuelo Espacial Marshall de la agencia en Huntsville, Alabama, colaboró con científicos de la División de Ciencias Planetarias de la Dirección de Misiones Científicas de la agencia, el Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland, y el Centro de Investigación Ames de la NASA en Silicon Valley, California, para desarrollar el modelo NASA-IBM. Este modelo es un ejemplo de ciencia abierta en acción, que reúne a expertos de la NASA, la industria y el mundo académico para transformar datos sin procesar en un recurso para el descubrimiento lunar. Para apoyar a la comunidad científica mundial, el equipo publicó —junto con el modelo— conjuntos de datos de preentrenamiento exhaustivos y listos para el aprendizaje automático, así como colecciones de datos de referencia; el modelo está integrado en el kit de herramientas de código abierto TerraTorch. Con el respaldo de un artículo científico complementario disponible en el repositorio digital arXiv, el lanzamiento de este producto de código abierto garantiza la reproducibilidad de las investigaciones y equipa a científicos de todo el mundo para permitirles desarrollar, comparar y perfeccionar modelos de IA para el futuro de la exploración lunar.
El equipo científico, convocado por la sede central de la NASA, incluyó a expertos de la Asociación de Investigaciones Espaciales de Universidades en Huntsville, Alabama; el Instituto SETI en Silicon Valley, California; la Universidad de Maryland, condado de Baltimore en Catonsville, Maryland; la Universidad Howard en Washington D.C.; la División de Ciencias Planetarias de la Dirección de Misiones Científicas de la NASA; el centro Ames de la NASA y el centro Goddard de la NASA.
Para obtener más información sobre la estrategia de la NASA para el desarrollo de modelos fundacionales para la ciencia, visita el sitio web (en inglés):
https://science.nasa.gov/artificial-intelligence-science
Por Rachel Wyatt
Read this story in English here.
