Escaneando el lado oscuro de la luna, la IA específica para la superficie lunar de la NASA y de IBM.
Imagen cortesía de la NASA
Cuando pensamos en la inteligencia artificial hoy en día, normalmente nos imaginamos a ChatGPT conversando en texto o generando imágenes a partir de indicaciones (prompts). Sin embargo, mirando hacia el espacio, un tipo de modelo ligeramente diferente se prepara para dejar su huella. La estrella del espectáculo es una «IA de análisis de la superficie lunar» desarrollada conjuntamente por la NASA y IBM. En lugar de generar oraciones que suenen plausibles, este sistema actúa como un observador con ojos de águila, examinando y analizando a fondo el duro terreno lunar capturado por los satélites.
Por qué los mapas lunares de 1969 ya no son suficientes
IBM
Dado que los humanos ya caminaron por la luna en 1969, es posible que te preguntes por qué necesitamos volver a trazar mapas meticulosamente desde cero. Sin embargo, la próxima misión de exploración tripulada Artemis tiene objetivos completamente diferentes en comparación con el programa Apolo del pasado. Mientras que la vieja prioridad era simplemente un aterrizaje seguro y un regreso protegido, el objetivo moderno requiere establecer campamentos base en la superficie lunar para la extracción de recursos y estancias prolongadas de los astronautas.
Para lograr esto, necesitamos un mapeo con precisión centimétrica de las regiones permanentemente en sombra en el polo sur —donde podría haber hielo enterrado que se puede convertir en agua potable o combustible—, así como de un terreno plano donde los rovers no vuelquen. Sin embargo, a diferencia de la Tierra, la luna carece de atmósfera para dispersar la luz, lo que significa que incluso un ligero cambio en el ángulo del sol hace que las sombras se vuelvan extremadamente largas o cortas. Los datos cartográficos heredados y las fotos satelitales ópticas básicas se quedan claramente cortos a la hora de calibrar con precisión los contornos reales del terreno.
Trabajo manual que tomaba semanas, terminado en minutos
Hasta ahora, identificar cráteres o campos de rocas peligrosos en la superficie lunar ha sido en gran medida la ardua tarea de astrónomos e investigadores. El proceso implicaba llevar millones de fotos satelitales en blanco y negro tomadas por orbitadores lunares a los monitores de las computadoras, verificar manualmente los contornos, medir tamaños y trazar coordenadas una por una.
Scientific Visualization Studio de la NASA, que muestra una fotografía lunar del polo sur indicando regiones que probablemente contengan hielo de agua según los datos.
El modelo base de IA liderado por IBM agiliza drásticamente este tedioso proceso de clasificación primaria del terreno. Cuando se introducen nuevas imágenes satelitales en el sistema, este identifica rápidamente los cráteres de impacto de formación reciente y los cúmulos de rocas que representan peligros para las naves espaciales que aterrizan. El análisis que le tomaría a los humanos semanas de mano de obra manual probablemente se pueda comprimir a meros minutos. Así como una máquina proporciona una traducción aproximada sólida para que un humano la pula, la IA ofrece un boceto base confiable para el análisis del terreno cósmico.
Swin Transformer: Leyendo el contexto sobre los píxeles
La columna vertebral de este sistema es una arquitectura de procesamiento de datos visuales llamada «Swin Transformer V2 (SwinV2)». No hay necesidad de profundizar en principios matemáticos complejos, pero observar en qué se diferencia de la tecnología anterior es bastante fascinante.
Mientras que las IA de reconocimiento de imágenes más antiguas inspeccionaban las fotos píxel por píxel en busca de características locales, esta tecnología divide una imagen grande en múltiples parches más pequeños y lee de manera integral las relaciones entre ellos. Este principio es similar a una IA de texto que comprende significados ocultos al captar el contexto circundante en lugar de obsesionarse con las palabras individuales.
NASA, Un cráter formado en la luna debido al choque de un cohete Falcon 9 de SpaceX.
Gracias a este enfoque, incluso cuando las resoluciones de las imágenes satelitales fluctúan o las formas de los cráteres quedan oscurecidas por sombras profundas, el sistema sobresale en la lectura de los flujos del terreno circundante para capturar los contornos generales. Demuestra ser una herramienta ideal para analizar la superficie accidentada de la luna, donde la reflectancia de la luz y las texturas del suelo difieren por completo de las de la Tierra.
Una era en la que cualquiera puede planificar la exploración lunar desde casa
Tan notable como su culminación técnica es el hecho de que este enorme modelo ha salido de los laboratorios de investigación cerrados y se ha lanzado como código abierto. Con el modelo completo disponible públicamente en la plataforma global de IA Hugging Face, cualquiera —no solo los investigadores internos de la NASA— puede utilizar libremente los datos.
Esto tiene una profunda importancia para el ecosistema de la industria espacial. Significa que las pequeñas empresas aeroespaciales emergentes sin un capital masivo o supercomputadoras propietarias, los astrónomos aficionados e incluso los clubes universitarios pueden aprovechar esta IA para trazar rutas de conducción para nuevos rovers lunares o construir simuladores de terreno en 3D precisos. Parece que la alta barrera de entrada para los datos de desarrollo espacial, que alguna vez estuvieron estrictamente monopolizados por agencias gubernamentales de superpotencias, se ha reducido considerablemente para el sector privado.
Lo que significa esta colaboración entre la NASA y IBM
Esto demuestra que la IA ha trascendido el papel de un asistente confinado a una habitación que simplemente resume documentos o genera arte en pantalla, convirtiéndose en una infraestructura práctica que expande las fronteras físicas de la humanidad. Si bien puede que no sea una nueva función de teléfono inteligente directamente en nuestras manos, los datos y modelos como estos se acumularán constantemente para servir como la piedra angular resistente para los futuros asentamientos lunares de la humanidad. En un futuro cercano, cuando escuchemos la noticia de que una nave espacial Artemis ha aterrizado de manera segura en una coordenada lunar específica, es muy probable que el sistema de navegación de ese módulo de aterrizaje lleve los mapas dibujados silenciosamente por la IA presentada hoy.
📸 Entre bastidores
Mira más fotos entre bastidores en mi blog de Naver (coreano):
달 뒷면 분화구까지 싹 훑는다, NASA와 IBM의 달 전용 AI
👉 https://blog.naver.com/PostView.naver?blogId=k5kun&logNo=224407635589