En el polo sur de la Luna existen sombras profundas donde la temperatura ronda los 200 grados bajo cero. En estos rincones, la NASA estima que se ha conservado hielo de agua mezclado con polvo lunar, pero distinguirlo de una roca fría es extremadamente difícil incluso para las mejores cámaras.
Para resolverlo, la NASA y IBM han presentado el Modelo Fundacional Lunar. Esta inteligencia artificial fue entrenada con SomBench, un conjunto de datos de casi dos millones de fotografías y mapas obtenidos durante 17 años por cuatro misiones distintas, entre ellas la Lunar Reconnaissance Orbiter y la sonda japonesa Selene.
A diferencia de una IA convencional, este modelo fundacional no se entrena para una sola tarea, sino que aprende patrones generales del terreno. Una vez logrado esto, ajustar el sistema para buscar hielo o contar cráteres solo requiere retocar aproximadamente el 10% de sus conexiones internas. El modelo utiliza la arquitectura TerraMind, previamente desarrollada para la observación terrestre.
En comparación con el modelo de referencia SwinV2, este nuevo sistema reduce en un 22% el error al estimar la ubicación del hielo y mejora en un 19% la detección de cráteres de 100 metros. En el mapeo de zonas volcánicas, la mejora es del 3%. Es importante señalar que estas cifras provienen de un informe técnico y aún no han pasado por una revisión externa de una revista científica.
La precisión de estos mapas es fundamental para el programa Artemis, ya que el hielo es la materia prima para fabricar combustible de cohetes y agua potable en futuras bases lunares.
Finalmente, NASA e IBM han publicado el código y los datos de forma abierta en Hugging Face y GitHub. De este modo, universidades y aficionados pueden descargar el modelo y ayudar a mejorar el sistema, permitiendo que cualquier persona con internet colabore en la elección del lugar de aterrizaje.
Siguenos en Noticias lat para más noticias.