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 algún día cartografiar con mayor precisión la superficie de la Luna. Décadas de misiones robóticas a la Luna han generado para los científicos una enorme cantidad de datos dispersos. Tradicionalmente, estos datos se han procesado mediante modelos de transformación limitados, como SwinV2-B, creado en 2022 como un modelo de propósito general para comprender imágenes y mejorar la precisión en el reconocimiento fotográfico y tareas de visión relacionadas. Las naves espaciales que orbitan la Luna capturaron estos datos utilizando una variedad de sensores no coincidentes, sin un método accesible para analizarlos o utilizarlos.
En concreto, las imágenes procedentes de cámaras ópticas de alta resolución, altímetros láser, herramientas de reflectancia de radar y espectrómetros que miden la densidad elemental han generado enormes conjuntos de datos, pero unificarlos en una imagen coherente de la superficie lunar ha sido un proceso laborioso y computacionalmente exigente. Para superar el cuello de botella de datos, investigadores de la NASA e IBM colaboraron en la creación del Modelo de la Fundación Lunar (LFM). Este ágil sistema de IA está diseñado para integrar datos multimodales y multirresolución y así generar una imagen detallada de la superficie lunar que sirva de base para futuras misiones. El equipo publicó sus hallazgos el 10 de septiembre en un artículo técnico compartido con Live Science.
Los científicos querían crear un modelo de IA único y reutilizable que estuviera disponible gratuitamente para la comunidad científica a través del repositorio de modelos de IA de código abierto Hugging Face. Dado que el modelo es de código abierto, los investigadores podrían ajustar la IA para abordar preguntas específicas en el marco de diferentes proyectos.
Para la NASA, esto incluye cuestiones espinosas como la generación de un mapa fiable de cráteres para que los investigadores puedan trazar zonas de aterrizaje seguras, o el análisis de esos cráteres en busca de pistas sobre la composición química del interior de la Luna y su historia. LFM también permite a los científicos examinar los datos en busca de zonas muy sombreadas en la Luna, que a menudo ocultan hielo subsuperficial, fundamental para establecer bases lunares a largo plazo. Asimismo, se puede rastrear y recopilar la actividad volcánica, lo que permitirá a futuros proyectos evitar terrenos inestables y obtener información sobre la evolución térmica de la Luna.
Desafíos únicos
El procesamiento de las observaciones lunares presenta desafíos computacionales únicos que difieren de los de modelos similares, que abarcan aspectos como el clima, los datos geoespaciales y la heliofísica. El Orbitador de Reconocimiento Lunar de la NASA y otras naves espaciales recopilan mediciones en escalas espaciales muy diferentes, que van desde mapas regionales amplios con una resolución de 100 metros por píxel hasta escaneos del terreno con una resolución de 1 metro por píxel.
Debido a la falta de atmósfera en la Luna, la geometría extrema de la luz solar representa un problema, creando sombras profundas y engañosas. La luz solar también puede difuminar detalles geológicos sutiles, dependiendo del momento en que se capturó la imagen.
Para superar estos problemas, el equipo creó un conjunto de datos de referencia por capas llamado SomBench, compuesto por casi 2 millones de parches de mapa superpuestos llamados mosaicos. SomBench organiza esos datos en trayectorias alineadas, de modo que los datos de instrumentos completamente diferentes, o las imágenes tomadas con diferentes resoluciones o ángulos, terminan juntas siempre que capturen los mismos mosaicos.
Las capas de menor resolución ofrecen vistas panorámicas de gran angular, así como datos de reflectancia ultravioleta y elevación. Las capas de alta resolución combinan tomas de cámara detalladas y nítidas con mapas de terreno, pendiente y orientación a escala métrica. También se incorporan lecturas especializadas del comportamiento térmico, la mineralogía de la superficie y las anomalías gravitacionales locales.
LFM aprende a interpretar todos esos datos estratificados mediante una técnica llamada aprendizaje de tokens enmascarados, en la que se ocultan partes de un conjunto de datos para que la IA tenga que completar la información faltante. Durante el entrenamiento, a la IA se le muestra una porción de una loseta lunar, como su apariencia bajo luz visible y su elevación, y nada más. El modelo predice continuamente 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 la nave espacial. Esto permite que el modelo utilice su capacidad de procesamiento para reconocer las características reales del terreno, en lugar de verse afectado por las sombras.
Un salto gigante
El modelo de IA tuvo un buen desempeño en las cuatro tareas evaluadas. En la detección de cráteres, superó a SwinV2-B en casi un 19% utilizando la mitad de etiquetas de entrenamiento. Al estimar la probabilidad de hielo polar en el metro superior de regolito (polvo y rocas lunares), LFM mantuvo una gran capacidad predictiva con menos canales de datos y redujo los errores en la identificación de áreas con alto potencial de hielo lunar hasta en un 22% en comparación con SwinV2-B. Su desempeño en el mapeo de cráteres a escala métrica y formas volcánicas raras fue igualmente competitivo con los mejores modelos personalizados.
Los científicos pueden personalizar LFM utilizando técnicas sencillas como la adaptación de bajo rango, una forma de ajustar una IA modificando un pequeño conjunto de pesos sin alterar la mayor parte del modelo original. Esto permite a los investigadores adaptar el modelo a tareas de exploración especializadas, sin los elevados costes computacionales que supone entrenar una IA desde cero.
Sin embargo, los investigadores advirtieron en un comunicado que el sistema funciona mejor como asistente de reconocimiento de patrones y no reemplaza las mediciones físicas directas. No obstante, el equipo afirmó que el modelo representa un gran avance hacia la transformación de décadas de datos brutos en un conjunto de herramientas unificado e inteligente para futuras misiones lunares robóticas y tripuladas.
A corto plazo, es probable que los científicos utilicen el LFM como base para tareas clave de teledetección lunar, mientras se intensifica el largo proceso de su perfeccionamiento. Con el tiempo, el modelo se refinará para tareas como la detección y el mapeo mejorados de cráteres, la segmentación de unidades geomorfológicas sutiles, como parches irregulares de mare (actividad volcánica), y la mejora de la detección de hielo polar mediante la integración de capas de terreno, iluminación y térmicas.
Fuente: Live Science.
