IBM y la NASA se han asociado para crear un nuevo modelo de inteligencia artificial (IA) capaz de procesar décadas de datos lunares para que los científicos puedan trazar con mayor precisión la superficie de la Luna algún día.
Décadas de misiones robóticas lunares han dejado a los científicos con un enorme y disjunto tesoro de datos. Tradicionalmente, estos datos se han analizado con modelos transformadores limitados como SwinV2-B, creados en 2022 como un modelo de uso general para entender imágenes y mejorar la precisión en reconocimiento de fotografías y tareas de visión relacionadas. Naves espaciales que orbitan la Luna captaron estos datos usando una gama de sensores descoordinada, sin una forma accesible de analizarlos o utilizarlos.
Específicamente, imágenes tomadas con cámaras ópticas de alta resolución, altímetros láser, herramientas de reflectancia radar y espectrómetros que miden la densidad de elementos han generado conjuntos de datos enormes, pero unificarlos en una imagen cohesiva de la superficie lunar ha sido un proceso laborioso y computacionalmente demandante.
Para vencer el cuello de botella de datos, investigadores de NASA e IBM se unieron para construir el Lunar Foundation Model (LFM). Este sistema de IA ágil está diseñado para ensamblar datos multimodales y multiresolución para construir una imagen detallada de la superficie lunar que apoye futuras misiones. El equipo publicó sus hallazgos el 10 de septiembre en un artículo técnico compartido con Live Science.
Los científicos querían crear un único modelo base de IA reutilizable que estuviera disponible gratuitamente para los científicos a través del repositorio de modelos de IA de código abierto Hugging Face. Dado que el modelo es de código abierto, los investigadores podrían afinar la IA para abordar preguntas específicas como parte de distintos proyectos.
Para la NASA, esto incluye temas complicados como generar un mapa de cráteres confiable para que los investigadores tracen zonas de alunizaje seguras, o analizar esos cráteres para obtener pistas sobre la composición química del interior de la Luna y su historia.
LFM también permite a los científicos escudriñar los datos en sitios con sombras pronunciadas en la Luna que a menudo ocultan hielo subsuperficial, lo cual es crítico para establecer bases lunares a largo plazo. La actividad volcánica también puede rastrearse y compilarse, lo que permitirá a proyectos futuros evitar terrenos inestables y revelar información sobre la evolución térmica de la Luna.
Desafíos únicos
El procesamiento de observaciones lunares presenta desafíos computacionales únicos que difieren de los de modelos similares, que abarcan aspectos como el clima, datos geoespaciales y heliofísica. El Orbitador de Reconocimiento Lunar de la NASA y otras naves espaciales recogen mediciones a escalas espaciales enormemente dispares, que van desde mapas regionales amplios con una resolución de 100 metros por píxel hasta escaneos de terreno que se resuelven en 1 metro por píxel.
Debido a que la Luna carece de atmósfera, la geometría extrema de la luz solar es un problema, creando sombras profundas y engañosas. La luz del sol también puede borrar detalles geológicos sutiles, dependiendo de cuándo se tomó la imagen.
Para superar estos problemas, el equipo reunió un conjunto de datos de referencia en capas llamado SomBench, compuesto por casi 2 millones de parches de mapas superpuestos llamados teselas. SomBench organiza esos datos en pistas alineadas para que datos de instrumentos completamente diferentes, o imágenes tomadas a diferentes resoluciones o ángulos, terminen juntos siempre que estén capturando las mismas teselas.
Las capas de baja resolución proporcionan vistas de gran angular, así como reflectancia ultravioleta y datos de elevación. Las capas de alta resolución combinan tomas de cámara estrechas y detalladas con mapas de terreno a escala de metros, pendientes y orientación. También se añaden capas especializadas de comportamiento térmico, mineralogía de la superficie y anomalías gravitacionales locales.
LFM aprende a interpretar todos esos datos en capas a través de una técnica llamada aprendizaje de tokens enmascarados, que es cuando se ocultan partes de un conjunto de datos para que la IA tenga que rellenar los vacíos. Durante el entrenamiento, se le muestra a la IA una porción de una tesela lunar, como su apariencia en luz visible y la elevación, y nada más. El modelo, a continuación, predice de forma continua la información oculta a través de millones de ejemplos, y aprende las relaciones entre elementos como la iluminación, la estructura del terreno y la geografía física.
El análisis de iluminación está integrado directamente en la arquitectura central del modelo. En lugar de obligar al modelo a inferir los niveles de luz únicamente a partir de las sombras, los investigadores proporcionaron metadatos explícitos que describen los ángulos solares y las posiciones de las naves. Esto permite que el modelo utilice su potencia de procesamiento para reconocer características reales del terreno en lugar de dejarse engañar por las sombras.
Un gran salto
El modelo de IA rindió bien en las cuatro tareas para las que fue evaluado. En la detección de cráteres, superó a SwinV2-B en casi un 19% usando la mitad de las etiquetas de entrenamiento. Al estimar la prospectiva de hielo polar dentro del primer metro de regolito (polvo y rocas lunares), el LFM mantuvo un fuerte poder predictivo con menos canales de datos y redujo los errores al identificar áreas con alto potencial de hielo lunar en hasta un 22% en comparación con SwinV2-B. Su rendimiento en el mapeo de cráteres a escala de metro y en formaciones volcánicas raras fue igualmente competitivo frente a los modelos personalizados de alto nivel.
Los científicos pueden personalizar el LFM usando técnicas ligeras como la adaptación de bajo rango —una forma de afinar una IA cambiando un conjunto pequeño de pesos y sin tocar la mayor parte del modelo original. Esto permite a los investigadores adaptar el modelo a tareas de exploración especializadas, sin los altos costos computacionales de entrenar una IA desde cero.
Sin embargo, los investigadores advirtieron en un comunicado que el sistema sirve mejor como asistente de reconocimiento de patrones y no como un reemplazo de mediciones físicas directas. No obstante, el equipo afirmó que el modelo representa un gran salto hacia la transformación de décadas de datos en bruto en una caja de herramientas inteligente y unificada para futuras misiones robóticas y tripuladas en la Luna.
En el corto plazo, es probable que los científicos utilicen el LFM como columna vertebral para tareas clave de teledetección lunar, mientras avanza el largo proceso de afinarlo. Con el tiempo, el modelo se refinará para tareas como una mejor detección de cráteres y mapeo, segmentando unidades geomórficas sutiles como parches de mares irregulares (actividad volcánica), y mejorando la detección de hielo polar al integrar capas de terreno, iluminación y térmicas.
