Durante los últimos 17 años, la NASA ha acumulado una cantidad extraordinaria de información sobre la Luna. Su Lunar Reconnaissance Orbiter (LRO), una sonda que orbita nuestro satélite desde 2009, ha fotografiado prácticamente toda su superficie y ha generado un volumen de datos mayor que el producido por todas las demás misiones planetarias de la agencia juntas.

El problema es que tener millones de imágenes no siempre significa poder aprovecharlas todas. Compararlas, clasificarlas y buscar determinados patrones en semejante archivo requiere una cantidad desproporcionada de tiempo y trabajo. Y ahí es donde entra en juego la inteligencia artificial.

La NASA e IBM han presentado el NASA-IBM Lunar Foundation Model, uno de los primeros modelos abiertos de IA entrenados específicamente para comprender imágenes y datos de la Luna. En lugar de enseñarle contenido de internet, libros o conversaciones como ocurre con modelos como ChatGPT, sus desarrolladores le han dado aproximadamente dos millones de fragmentos de imágenes y mapas lunares para que aprenda cómo es la superficie de nuestro satélite.

Y esto permite convertir casi dos décadas de observación en una enorme base de datos que una máquina puede analizar, comparar y reutilizar para tareas distintas.

Una IA que sabe ‘mirar’ la Luna

Conviene olvidarse aquí de la idea de inteligencia artificial que se ha popularizado con ChatGPT, Gemini o Claude. El modelo de la NASA e IBM no es un chatbot y tampoco está pensado para responder preguntas sobre la Luna. Es lo que se conoce como un foundation model o modelo fundacional: una IA que primero se entrena con una enorme cantidad de información para aprender patrones generales y que después puede especializarse en tareas concretas.

Es una filosofía parecida a la utilizada en los grandes modelos de lenguaje, pero aplicada a imágenes y datos geoespaciales.

En términos sencillos, en vez de aprender que determinadas palabras suelen aparecer juntas en una frase, esta IA aprende qué formas, texturas, relieves y otras características suelen aparecer juntas en la superficie lunar.

Después, un investigador no necesita construir una inteligencia artificial desde cero cada vez que quiere buscar algo diferente. Puede tomar este modelo ya entrenado y ajustarlo para una tarea determinada utilizando una cantidad mucho menor de ejemplos previamente clasificados.

Ahí está probablemente una de las partes tecnológicamente más interesantes del proyecto: una misma IA puede convertirse en muchas herramientas diferentes.

Dos millones de imágenes para enseñarle cómo es la Luna

La mayor parte del entrenamiento procede del Lunar Reconnaissance Orbiter. La NASA e IBM dividieron sus enormes mapas lunares en aproximadamente dos millones de pequeñas porciones o tiles, que son algo parecido a trocear un mapa gigante en millones de cuadrados para que el modelo pueda procesarlos.

Dentro de ese conjunto hay más de un millón de imágenes de alta resolución capaces de representar detalles de alrededor de un metro y cerca de 964.000 imágenes multiespectrales con una resolución de 100 metros.

Estas últimas añaden otra capa importante de información. Una cámara convencional registra aproximadamente lo que podemos ver con nuestros ojos. Una cámara multiespectral, en cambio, captura información en diferentes bandas del espectro electromagnético. Eso permite distinguir características y materiales que pueden parecer iguales en una fotografía normal.

El modelo tampoco depende únicamente de LRO. Su entrenamiento incorpora datos procedentes de otras misiones como GRAIL, Lunar Prospector y la misión japonesa SELENE, lo que le permite combinar distintos tipos de información sobre la superficie y el terreno lunar.

El resultado es que la IA no ha memorizado simplemente millones de fotografías. Sus responsables buscan que haya aprendido una representación suficientemente general de la Luna como para reutilizarla después.

El objetivo: pedirle que busque cosas que antes costaban miles de horas encontrar

Una vez entrenado, el modelo puede especializarse. Por ejemplo, los investigadores pueden enseñarle algunos cráteres correctamente identificados y hacer que después busque estructuras similares automáticamente entre enormes cantidades de fotografías. Lo mismo puede hacerse para localizar determinadas formaciones volcánicas o comparar imágenes tomadas en fechas diferentes.

La NASA lo ha probado incluso con el impacto de una etapa de un cohete de SpaceX contra la Luna. El modelo recibió imágenes de una zona cercana al cráter Einstein tomadas antes y después del impacto y consiguió resaltar el nuevo cráter. La fotografía posterior al choque no había formado parte de sus datos de preentrenamiento, por lo que servía para comprobar si podía utilizar lo aprendido para reconocer un cambio que no había visto anteriormente.

No es perfecto. La propia NASA advierte, por ejemplo, de que los cambios de iluminación entre unas órbitas y otras pueden hacer que algunos cráteres pequeños sean más difíciles de distinguir.

Pero es precisamente este tipo de trabajo el que muestra para qué puede servir la tecnología: automatizar una primera búsqueda entre cantidades de información que serían muy costosas de revisar manualmente.

Y entre todo ese ruido, buscar dónde puede esconderse el hielo

Una de las pruebas más importantes se ha realizado en los polos de la Luna. Hay zonas que permanecen permanentemente en sombra y alcanzan temperaturas extremadamente bajas, lo que permite que el hielo pueda conservarse durante miles de millones de años. Saber dónde están las regiones con mejores condiciones para albergarlo es especialmente interesante para futuras misiones.

La IA no ‘ve’ agua escondida bajo la superficie ni ha descubierto nuevos depósitos de hielo. Lo que puede hacer es aprender las características que presentan las zonas consideradas más favorables para conservarlo y buscar patrones similares en otros lugares. Así, en lugar de empezar a estudiar toda la superficie lunar desde cero, puede señalar las regiones que merece la pena investigar con mayor detalle.

NASA e IBM no se han guardado la IA para ellos

Hay otro elemento importante en el proyecto: el modelo es abierto. La NASA e IBM lo han publicado en Hugging Face, una de las principales plataformas utilizadas para distribuir modelos de inteligencia artificial, mientras que su código completo puede consultarse en GitHub.

También han liberado los conjuntos de datos preparados para el aprendizaje automático y las pruebas utilizadas para evaluar su rendimiento. El sistema está integrado además en TerraTorch, una herramienta de código abierto para trabajar con modelos de IA aplicados a datos geoespaciales.

Eso significa que otros equipos pueden descargarlo, comprobar hasta qué punto funcionan sus resultados, modificarlo o entrenarlo para resolver problemas distintos.