{"id":18801,"date":"2026-09-19T11:42:41","date_gmt":"2026-09-19T14:42:41","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=18801"},"modified":"2026-09-19T11:42:41","modified_gmt":"2026-09-19T14:42:41","slug":"la-nasa-e-ibm-entrenan-una-ia-para-leer-la-luna-y-encontrar-crateres-volcanes-y-posibles-zonas-con-hielo","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=18801","title":{"rendered":"La NASA e IBM entrenan una IA para \u201cleer\u201d la Luna y encontrar cr\u00e1teres, volcanes y posibles zonas con hielo"},"content":{"rendered":"
\n

Una IA entrenada con d\u00e9cadas de observaciones<\/h2>\n

La exploraci\u00f3n de la Luna ha generado durante a\u00f1os una cantidad enorme de im\u00e1genes, mapas y mediciones. El problema es que ese volumen de informaci\u00f3n crece mucho m\u00e1s r\u00e1pido de lo que puede analizarse manualmente.<\/p>\n

Para aprovechar mejor esos archivos, NASA e IBM desarrollaron el NASA-IBM Lunar Foundation Model, un modelo fundacional de inteligencia artificial dise\u00f1ado espec\u00edficamente para trabajar con datos de teledetecci\u00f3n lunar. El sistema fue entrenado principalmente con observaciones de la Lunar Reconnaissance Orbiter (LRO), una misi\u00f3n que lleva a\u00f1os cartografiando la superficie del sat\u00e9lite.<\/p>\n

El conjunto de entrenamiento re\u00fane aproximadamente dos millones de bloques de im\u00e1genes, incluyendo m\u00e1s de un mill\u00f3n de im\u00e1genes de alta resoluci\u00f3n y casi otro mill\u00f3n de observaciones multiespectrales.<\/p>\n

Pero la IA no trabaja solamente con fotograf\u00edas.<\/p>\n

Once tipos diferentes de informaci\u00f3n sobre la Luna<\/h2>\n

NASA e IBM combinaron datos procedentes de diferentes instrumentos y misiones, entre ellas LRO, GRAIL, Lunar Prospector y la japonesa SELENE\/Kaguya.<\/p>\n

El resultado es un conjunto multimodal formado por m\u00e1s de 30 capas de informaci\u00f3n espacialmente alineadas, procedentes de nueve instrumentos y cuatro misiones. Eso permite observar un mismo lugar desde perspectivas muy distintas.<\/p>\n

Una imagen puede mostrar la forma de un cr\u00e1ter, mientras que otros instrumentos aportan informaci\u00f3n sobre topograf\u00eda, reflectancia, condiciones de iluminaci\u00f3n o propiedades geof\u00edsicas. El modelo intenta aprender las relaciones existentes entre todas esas observaciones.<\/p>\n

\"La
\u00a9 PLANET SCIENCE \u2013 Youtube.<\/figcaption><\/figure>\n

No est\u00e1 dise\u00f1ado para hacer una sola tarea<\/h2>\n

Ah\u00ed aparece la principal diferencia frente a muchos algoritmos tradicionales.<\/p>\n

Un modelo convencional puede entrenarse espec\u00edficamente para detectar cr\u00e1teres. Un modelo fundacional, en cambio, primero aprende patrones generales a partir de enormes cantidades de datos y despu\u00e9s puede adaptarse a diferentes tareas mediante fine-tuning.<\/p>\n

NASA e IBM ya probaron el sistema para identificar cr\u00e1teres y estudiar distintas caracter\u00edsticas de la superficie lunar.<\/p>\n

Tambi\u00e9n puede utilizarse para analizar una de las cuestiones m\u00e1s importantes para futuras misiones: d\u00f3nde podr\u00eda existir hielo de agua.<\/p>\n

Puede se\u00f1alar d\u00f3nde buscar hielo, pero no detectarlo directamente<\/h2>\n

Las regiones polares de la Luna contienen cr\u00e1teres cuyo interior permanece permanentemente en sombra.<\/p>\n

Esas zonas interesan especialmente porque podr\u00edan conservar dep\u00f3sitos de hielo, un recurso potencialmente importante para futuras misiones humanas. El modelo puede combinar diferentes capas de informaci\u00f3n y estimar qu\u00e9 regiones tienen caracter\u00edsticas compatibles con una mayor probabilidad de albergarlo. Pero existe una diferencia importante: la IA no est\u00e1 detectando directamente hielo bajo la superficie.<\/p>\n

Est\u00e1 reconociendo relaciones estad\u00edsticas dentro de los datos disponibles y generando mapas de prospectividad que podr\u00edan servir para decidir d\u00f3nde conviene investigar con mayor detalle.<\/p>\n