{"id":104107,"date":"2026-09-11T12:07:22","date_gmt":"2026-09-11T17:07:22","guid":{"rendered":"https:\/\/einsteresante.com\/?p=104107"},"modified":"2026-09-11T12:07:24","modified_gmt":"2026-09-11T17:07:24","slug":"la-nasa-e-ibm-crean-modelo-de-ia-que-mapeara-la-superficie-lunar-con-mas-detalle-que-nunca","status":"publish","type":"post","link":"https:\/\/einsteresante.com\/index.php\/2026\/09\/11\/la-nasa-e-ibm-crean-modelo-de-ia-que-mapeara-la-superficie-lunar-con-mas-detalle-que-nunca\/","title":{"rendered":"La NASA e IBM crean modelo de IA que mapear\u00e1 la superficie lunar con m\u00e1s detalle que nunca"},"content":{"rendered":"\n

IBM y la NASA<\/a> se han asociado para crear un nuevo modelo de inteligencia artificial<\/a> (IA) capaz de procesar d\u00e9cadas de datos lunares para que los cient\u00edficos puedan alg\u00fan d\u00eda cartografiar con mayor precisi\u00f3n la superficie de la Luna. D\u00e9cadas de misiones rob\u00f3ticas a la Luna<\/a> han generado para los cient\u00edficos una enorme cantidad de datos dispersos. Tradicionalmente, estos datos se han procesado mediante modelos de transformaci\u00f3n limitados, como SwinV2-B, creado en 2022 como un modelo de prop\u00f3sito general para comprender im\u00e1genes y mejorar la precisi\u00f3n en el reconocimiento fotogr\u00e1fico y tareas de visi\u00f3n relacionadas. Las naves espaciales que orbitan la Luna<\/a> capturaron estos datos utilizando una variedad de sensores no coincidentes, sin un m\u00e9todo accesible para analizarlos o utilizarlos.<\/p>\n\n\n\n

En concreto, las im\u00e1genes procedentes de c\u00e1maras \u00f3pticas de alta resoluci\u00f3n, alt\u00edmetros l\u00e1ser, herramientas de reflectancia de radar y espectr\u00f3metros 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 creaci\u00f3n del Modelo de la Fundaci\u00f3n Lunar (LFM). Este \u00e1gil sistema de IA est\u00e1 dise\u00f1ado para integrar datos multimodales y multirresoluci\u00f3n y as\u00ed generar una imagen detallada de la superficie lunar que sirva de base para futuras misiones. El equipo public\u00f3 sus hallazgos el 10 de septiembre en un art\u00edculo t\u00e9cnico compartido con Live Science.<\/p>\n\n\n\n

\"\"
Los cient\u00edficos han recopilado ingentes cantidades de datos sobre la luna a lo largo de muchas d\u00e9cadas, pero gran parte de ellos est\u00e1n inconexos y son dif\u00edciles de analizar. Cr\u00e9dito de la imagen: IBM.<\/figcaption><\/figure>\n\n\n\n

Los cient\u00edficos quer\u00edan crear un modelo de IA \u00fanico y reutilizable que estuviera disponible gratuitamente para la comunidad cient\u00edfica a trav\u00e9s del\u00a0repositorio de modelos de IA de c\u00f3digo abierto Hugging Face<\/a>. Dado que el modelo es de c\u00f3digo abierto, los investigadores podr\u00edan ajustar la IA para abordar preguntas espec\u00edficas en el marco de diferentes proyectos.<\/p>\n\n\n\n

Para la NASA, esto incluye cuestiones espinosas como la generaci\u00f3n de un mapa fiable de cr\u00e1teres para que los investigadores puedan trazar zonas de aterrizaje seguras, o el an\u00e1lisis de esos cr\u00e1teres en busca de pistas sobre la composici\u00f3n qu\u00edmica del interior de la Luna y su historia. LFM tambi\u00e9n permite a los cient\u00edficos examinar los datos en busca de zonas muy sombreadas en la Luna, que a menudo ocultan hielo subsuperficial, fundamental para\u00a0establecer bases lunares a largo plazo<\/a>. Asimismo, se puede rastrear y recopilar la actividad volc\u00e1nica, lo que permitir\u00e1 a futuros proyectos evitar terrenos inestables y obtener informaci\u00f3n sobre la evoluci\u00f3n t\u00e9rmica de la Luna.<\/p>\n\n\n\n

Desaf\u00edos \u00fanicos<\/h2>\n\n\n\n

El procesamiento de las observaciones lunares presenta desaf\u00edos computacionales \u00fanicos que difieren de los de modelos similares, que abarcan aspectos como el clima, los datos geoespaciales y la heliof\u00edsica. El Orbitador de Reconocimiento Lunar<\/a> de la NASA y otras naves espaciales recopilan mediciones en escalas espaciales muy diferentes, que van desde mapas regionales amplios con una resoluci\u00f3n de 100 metros por p\u00edxel hasta escaneos del terreno con una resoluci\u00f3n de 1 metro por p\u00edxel.<\/p>\n\n\n\n

Debido a la falta de atm\u00f3sfera en la Luna, la geometr\u00eda extrema de la luz solar representa un problema, creando sombras profundas y enga\u00f1osas. La luz solar tambi\u00e9n puede difuminar detalles geol\u00f3gicos sutiles, dependiendo del momento en que se captur\u00f3 la imagen.<\/p>\n\n\n\n

Para superar estos problemas, el equipo cre\u00f3 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 im\u00e1genes tomadas con diferentes resoluciones o \u00e1ngulos, terminan juntas siempre que capturen los mismos mosaicos.<\/p>\n\n\n\n

Las capas de menor resoluci\u00f3n ofrecen vistas panor\u00e1micas de gran angular, as\u00ed como datos de reflectancia ultravioleta y elevaci\u00f3n. Las capas de alta resoluci\u00f3n combinan tomas de c\u00e1mara detalladas y n\u00edtidas con mapas de terreno, pendiente y orientaci\u00f3n a escala m\u00e9trica. Tambi\u00e9n se incorporan lecturas especializadas del comportamiento t\u00e9rmico, la mineralog\u00eda de la superficie y las anomal\u00edas gravitacionales locales.<\/p>\n\n\n\n

LFM aprende a interpretar todos esos datos estratificados mediante una t\u00e9cnica llamada aprendizaje de tokens enmascarados, en la que se ocultan partes de un conjunto de datos para que la IA tenga que completar la informaci\u00f3n faltante. Durante el entrenamiento, a la IA se le muestra una porci\u00f3n de una loseta lunar, como su apariencia bajo luz visible y su elevaci\u00f3n, y nada m\u00e1s. El modelo predice continuamente la informaci\u00f3n oculta a trav\u00e9s de millones de ejemplos y aprende las relaciones entre elementos como la iluminaci\u00f3n, la estructura del terreno y la geograf\u00eda f\u00edsica.<\/p>\n\n\n\n

El an\u00e1lisis de iluminaci\u00f3n est\u00e1 integrado directamente en la arquitectura central del modelo. En lugar de obligar al modelo a inferir los niveles de luz \u00fanicamente a partir de las sombras, los investigadores proporcionaron metadatos expl\u00edcitos que describen los \u00e1ngulos solares y las posiciones de la nave espacial. Esto permite que el modelo utilice su capacidad de procesamiento para reconocer las caracter\u00edsticas reales del terreno, en lugar de verse afectado por las sombras.<\/p>\n\n\n\n

Un salto gigante<\/h2>\n\n\n\n

El modelo de IA tuvo un buen desempe\u00f1o en las cuatro tareas evaluadas. En la detecci\u00f3n de cr\u00e1teres, super\u00f3 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 identificaci\u00f3n de \u00e1reas con alto potencial de hielo lunar hasta en un 22% en comparaci\u00f3n con SwinV2-B. Su desempe\u00f1o en el mapeo de cr\u00e1teres a escala m\u00e9trica y formas volc\u00e1nicas raras fue igualmente competitivo con los mejores modelos personalizados.<\/p>\n\n\n\n

Los cient\u00edficos pueden personalizar LFM utilizando t\u00e9cnicas sencillas como la adaptaci\u00f3n de bajo rango, una forma de ajustar una IA modificando un peque\u00f1o conjunto de pesos sin alterar la mayor parte del modelo original. Esto permite a los investigadores adaptar el modelo a tareas de exploraci\u00f3n especializadas, sin los elevados costes computacionales que supone entrenar una IA desde cero.<\/p>\n\n\n\n

\"\"
LFM estar\u00e1 disponible gratuitamente para los investigadores a trav\u00e9s del repositorio de IA de c\u00f3digo abierto Hugging Face, de modo que los equipos puedan adaptarlo a sus necesidades espec\u00edficas al estudiar la superficie lunar. Cr\u00e9dito de la imagen: NASA.<\/figcaption><\/figure>\n\n\n\n

Sin embargo, los investigadores advirtieron en un comunicado que el sistema funciona mejor como asistente de reconocimiento de patrones y no reemplaza las mediciones f\u00edsicas directas. No obstante, el equipo afirm\u00f3 que el modelo representa un gran avance hacia la transformaci\u00f3n de d\u00e9cadas de datos brutos en un conjunto de herramientas unificado e inteligente para futuras misiones lunares rob\u00f3ticas y tripuladas.<\/p>\n\n\n\n

A corto plazo, es probable que los cient\u00edficos utilicen el LFM como base para tareas clave de teledetecci\u00f3n lunar, mientras se intensifica el largo proceso de su perfeccionamiento. Con el tiempo, el modelo se refinar\u00e1 para tareas como la detecci\u00f3n y el mapeo mejorados de cr\u00e1teres, la segmentaci\u00f3n de unidades geomorfol\u00f3gicas sutiles, como parches irregulares de mare (actividad volc\u00e1nica), y la mejora de la detecci\u00f3n de hielo polar mediante la integraci\u00f3n de capas de terreno, iluminaci\u00f3n y t\u00e9rmicas.<\/p>\n\n\n\n

Fuente: Live Science<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

IBM y la NASA se han asociado para crear un nuevo modelo de inteligencia artificial (IA) capaz de procesar d\u00e9cadas de datos lunares para que los cient\u00edficos puedan alg\u00fan d\u00eda cartografiar con mayor precisi\u00f3n la superficie de la Luna. D\u00e9cadas de misiones rob\u00f3ticas a la Luna han generado para los cient\u00edficos una enorme cantidad de datos dispersos. Tradicionalmente, estos datos […]<\/p>\n","protected":false},"author":1,"featured_media":104110,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-104107","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-astronomia"],"_links":{"self":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/104107","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/comments?post=104107"}],"version-history":[{"count":1,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/104107\/revisions"}],"predecessor-version":[{"id":104111,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/104107\/revisions\/104111"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/media\/104110"}],"wp:attachment":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/media?parent=104107"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/categories?post=104107"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/tags?post=104107"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}