IBM y la NASA lanzan un modelo de IA para la exploración lunar

Los investigadores ahora pueden usar un modelo de IA de código abierto de IBM y la NASA para analizar décadas de observaciones lunares en busca de hielo, cráteres y terreno volcánico, utilizando el modelo de la Fundación Lunar NASA-IBM recientemente publicado, como preparación para el regreso de los humanos a la superficie lunar. El sistema está disponible para su descarga gratuita en Hugging Face, y su código fuente completo se encuentra publicado en GitHub, según NASA Science.

El estudio de la superficie lunar siempre ha sido un proceso relativamente lento, con dos opciones posibles: examinar manualmente mapas e imágenes o entrenar un modelo de aprendizaje automático de baja resolución para cada solicitud. Ambas opciones son costosas y, a menudo, no captan los detalles precisos que los científicos necesitan para sus investigaciones, según indicó IBM en su comunicado.

La publicación de un modelo base resulta útil, ya que los investigadores pueden utilizar un modelo preentrenado para cada nueva tarea en lugar de crear uno nuevo al trabajar con una característica geológica diferente. El modelo lunar es la última incorporación a la familia Prithvi de modelos de ciencia abierta de IBM, que ya abarca aplicaciones en análisis geoespacial, meteorología y heliofísica. Juan Bernabé-Moreno, director de IBM Research para Europa, Reino Unido e Irlanda, afirmó que el nuevo sistema ofrece a los científicos una forma de analizar las observaciones lunares a gran escala edentpatrones que pueden ser difíciles de detectar al estudiar conjuntos de datos individuales.

“El modelo proporciona a los científicos una base para explorar la Luna a gran escala, conectando observaciones de diferentes instrumentos y revelando patrones que son difíciles de ver de forma aislada”, dijo Bernabe-Moreno.

Modelo de la Fundación Lunar supera los estándares de rendimiento

La NASA e IBM compararon el modelo con SwinV2-B, un sistema de visión entrenado por Microsoft y ampliamente utilizado como referencia para el análisis de imágenes. El nuevo modelo redujo los errores en un 23 % al localizar depósitos de hielo y superó a SwinV2-B en un 19 % en la detección y clasificación de cráteres, a pesar de haber sido entrenado con la mitad de los datos. El informe técnico de IBM reportó una mejora del rendimiento del 3 % al utilizar el modelo para identificardentvolcánicas conocidas como Parches Irregulares de Mare, requiriendo además menos ajustes.

El modelo se puso a prueba en tiempo real el 5 de agosto, cuando IBM le proporcionó una imagen que mostraba el lugar del impacto tras el choque de un cohete Falcon 9 de SpaceX con la Luna. A pesar de que el nuevo impacto aparecía casi directamente sobre un cráter ya existente, el modelo lodentcorrectamente como un cráter de reciente formación.

El objetivo sigue siendo hacer posible una presencia humana sostenida en la Luna. Cartografiar las regiones permanentemente en sombra cerca de los polos lunares continúa siendo un gran desafío, ya que estas áreas se encuentran entre las más difíciles de observar en la Luna y podrían contener depósitos de hielo subterráneo. IBM afirmó que el hielo podría suministrar agua y oxígeno para futuras bases lunares, además de proporcionar materias primas para el combustible de cohetes que podrían sustentar misiones a Marte.

El conjunto de datos puede perdurar más que el modelo

Las organizaciones también publicaron lo que denominaron el primer conjunto de datos unificado de la Luna, listo para el aprendizaje automático. Este conjunto de datos reúne más de 30 capas alineadas espacialmente, recopiladas por nueve instrumentos en cuatro misiones lunares distintas.

Este conjunto de datos extrae imágenes del Orbitador de Reconocimiento Lunar (Lunar Reconnaissance Orbiter) de la NASA y de la misión de gravedad GRAIL, además de datos del orbitador japonés SELENE/Kaguya. Bernabe-Moreno afirmó que los aproximadamente dos millones de puntos de datos registrados conjuntamente podrían ser la contribución más duradera que el propio modelo. «Los datos son lo que realmente crea la industria de los modelos de IA», declaró.

El lanzamiento del modelo de IA se basa en una colaboración que se remonta a más de cinco décadas, al programa Apolo.

Las mentes más brillantes del mundo de las criptomonedas ya leen nuestro boletín. ¿Te apuntas? ¡ Únete!