Una nueva IA lunar reduce un 22% el error en un mapa de condiciones favorables al hielo

¿Cómo combinar fotografías, relieve, temperatura, radar y composición química de la Luna sin construir un algoritmo nuevo para cada pregunta? La NASA e IBM presentaron un modelo fundacional —un sistema preentrenado que aprende representaciones reutilizables— para que los equipos puedan adaptarlo a tareas como cartografiar cráteres, pequeñas formas volcánicas o condiciones favorables para conservar hielo. El modelo, los datos preparados y el código están abiertos para pruebas.

El entrenamiento utilizó 963.609 conjuntos anclados en imágenes multiespectrales de la cámara gran angular del Lunar Reconnaissance Orbiter, con cerca de 100 metros por píxel, y 1.000.113 conjuntos anclados en imágenes de la cámara de ángulo estrecho, con cerca de 1 metro por píxel. Cada conjunto combina productos registrados sobre la misma zona. En total, el sistema recibió 11 modalidades, entre imágenes, terreno y contexto de otros instrumentos, además de los ángulos de iluminación que cambian mucho la apariencia del suelo lunar.

Tras el preentrenamiento, los investigadores adaptaron el mismo codificador visual a cuatro pruebas: detectar cráteres en ambas escalas, segmentar pequeñas manchas volcánicas llamadas irregular mare patches y reproducir un mapa de prospectividad de hielo polar. Los datos, las divisiones, las transformaciones y las métricas se mantuvieron iguales para el modelo lunar y las arquitecturas de referencia. Las medias proceden de cinco semillas de entrenamiento, lo que muestra cuánto varía el resultado solo por la inicialización.

La mayor diferencia apareció en el mapa polar. La raíz del error cuadrático medio, una medida que penaliza más los desvíos grandes y en la que un valor menor es mejor, bajó de 0,0377 ± 0,0004 en el mejor modelo de referencia a 0,0293 ± 0,0013 en el modelo lunar: una reducción relativa de alrededor del 22%. Sin embargo, el objetivo era un mapa calculado a partir de indicios ambientales, no hielo observado. En la detección de cráteres a gran escala con la mitad de los datos etiquetados, la precisión media agregada subió de 0,2313 ± 0,0027 a 0,2541 ± 0,0018. En cráteres a escala métrica y manchas volcánicas, los líderes se consideraron comparables porque las diferencias fueron menores que la variación entre semillas.

Dos decisiones de diseño ayudan a explicar la transferencia entre tareas. El sistema recibe explícitamente la geometría de iluminación, en lugar de confundir sombras con propiedades del terreno. También mantiene en bloques separados las entradas de distintas resoluciones antes de combinar sus señales. En la prueba polar, parte de la ventaja ya surgió de esa organización de modalidades; el preentrenamiento lunar aportó el resto. Los autores aún no han aislado experimentalmente todas las contribuciones de la arquitectura.

El lanzamiento ofrece una herramienta para comparar hipótesis y acelerar la revisión de grandes archivos, no un cartógrafo autónomo listo para tomar decisiones de misión. El modelo carece de una referencia geodésica absoluta, su cobertura de entrenamiento de alta resolución se limita a ciertos lugares y no fue validado para certificar aterrizajes ni despejar riesgos. Su valor científico dependerá de que equipos externos reproduzcan las pruebas y comprueben con instrumentos y nuevas etiquetas si las ventajas persisten fuera de los cuatro conjuntos evaluados.