Tendencias21

La Inteligencia Artificial identificará los mejores sitios para vivir en la Luna

El aprendizaje automático y la Inteligencia Artificial (IA) nos buscarán los sitios lunares prometedores para la energía y los recursos minerales: un nuevo método de escaneo de la Luna puede clasificar automáticamente las características más importantes de una zona a partir de las imágenes aportadas por telescopios.

Una innovadora tecnología de escaneo de la Luna aportará información vital sobre los sitios más atractivos para el aprovechamiento energético y los recursos minerales en nuestro satélite. Desarrollada por investigadores de la King Abdullah University of Science and Technology (KAUST), de Arabia Saudita, utiliza la Inteligencia Artificial (IA) y el aprendizaje automático para clasificar y analizar las imágenes que entregan los telescopios especializados.

Según indica una nota de prensa, la nueva herramienta podría mejorar significativamente la eficiencia en la selección de sitios para la exploración de nuestro satélite, revelando además los misterios que aún esconde la Luna. El estudio que sustenta a esta tecnología ha sido publicado recientemente en la revista Applied Energy.

El futuro energético de la Luna

La Luna es el único satélite natural de la Tierra, presentando un diámetro ecuatorial de 3.476 kilómetros, un dato que la ubica como el quinto satélite más grande del Sistema Solar. En tanto, al disponer de alrededor de un 25% del diámetro de la Tierra es el satélite más grande con respecto al tamaño proporcional respecto a su planeta.

Debido a la crisis energética en ciernes, en un mundo en el que ya escasean las fuentes clásicas como los hidrocarburos, y al impacto ambiental de los combustibles fósiles, los científicos están especialmente interesados en hallar alternativas incluso fuera de nuestro planeta, siendo la Luna el primer campo de exploración junto a Marte.

El proceso de adecuación de la Luna a las necesidades de la humanidad, incluyendo incluso la futura construcción de asentamientos y colonias, es parte de los proyectos espaciales de varios países, como Estados Unidos, Rusia, China o Japón. Sin embargo, la hazaña de «anexar» a la Luna a los territorios dominados por la humanidad no está exenta de desafíos y peligros, a pesar de ser el astro más «familiar» para el hombre después de la Tierra.

Por ejemplo, seleccionar un sitio para el aterrizaje de una nave exploratoria o tripulada puede volverse una odisea: el territorio es muy extenso y se encuentra repleto de cráteres y riachuelos. En el mismo sentido, elegir zonas para encarar construcciones, explorar potenciales recursos energéticos o buscar minerales puede volverse aún más complejo.

Tema relacionado: Rusia y China lanzan su proyecto conjunto de colonia lunar.

Uranio y helio-3

La nueva tecnología desarrollada por los especialistas árabes hace uso de la Inteligencia Artificial y algoritmos de aprendizaje automático para identificar las características de la geografía lunar y clasificarla en función de las diferentes necesidades, con mayor velocidad y precisión que si fuera necesario realizar esa tarea con observaciones directas en el terreno.

Por ejemplo, los expertos creen que las zonas de cráteres y riachuelos antes mencionadas pueden ser especialmente aprovechables para obtener recursos energéticos como el uranio y el helio-3.

Vale recordar que este último elemento es especialmente buscado por su papel en el campo de la fusión nuclear. Ambos recursos energéticos podrían ser cruciales, por ejemplo, para alimentar a las naves espaciales que participen de las misiones en la Luna.

De acuerdo a los científicos, el nuevo enfoque alcanza una precisión de hasta el 83,7 por ciento en la detección de cráteres lunares, superando a todos los métodos actuales. Además, mediante el análisis de imágenes aportadas por telescopios puede también separar la información referente a los cráteres de la relacionada con los riachuelos u otros accidentes geográficos. Para ello, aplica un marco de aprendizaje profundo denominado red lunar de alta resolución.

Referencia

Lunar features detection for energy discovery via deep learning. Chen, S., Li, Y., Zhang, T., Zhu, X., Sun, S. and Gao, X. Applied Energy (2021).DOI:https://doi.org/10.1016/j.apenergy.2021.117085

Video: King Abdullah University of Science and Technology (KAUST).

Foto: NASA en Unsplash.

Pablo Javier Piacente

Pablo Javier Piacente

Pablo Javier Piacente es periodista especializado en comunicación científica y tecnológica.

Hacer un comentario