En los últimos años tanto la NASA como otras agencias espaciales internacionales redoblaron esfuerzos para impulsar la presencia humana en Marte. Con nuevas sondas que lo orbitan, rovers que lo recorren y el desarrollo de futuros cohetes que alguna vez lleven a un humano a ese desolado mundo, el interés por el planeta rojo parece no tener límites.

Incluso, la inteligencia artificial, o IA, está ya al servicio de esa futura hazaña, ya que tiene un enorme potencial para cambiar la forma en que las naves espaciales de la NASA estudian el universo.

Pero debido a que todos los algoritmos de aprendizaje automático requieren entrenamiento por parte de humanos, un nuevo proyecto reciente de la NASA acerca a cualquier persona a en Estados Unidos o en el mundo a ser parte de la investigación que por ejemplo, llevan diariamente los rovers Curiosity y Perseverance en Marte hoy.

Concretamente, la NASA está pidiendo a los científicos ciudadanos que etiqueten “características de interés científico en las imágenes tomadas por el rover Perseverance Mars de la NASA”. El proyecto, llamado AI4Mars y alojado en la plataforma Zooniverse, continúa el trabajo iniciado el año pasado con el rover Curiosity que terminó generando un algoritmo de clasificación de objetos.

“Las imágenes de Perseverance mejorarán aún más [el algoritmo]al expandir los tipos de etiquetas de identificación que se pueden aplicar a las características de la superficie marciana”, dijeron funcionarios del Laboratorio de Propulsión a Chorro (JPL) de la NASA en el sur de California, que administra las misiones de ambos Curiosity y Perseverance. “AI4Mars ahora proporciona etiquetas para identificar detalles más refinados, lo que permite a las personas elegir opciones como rocas flotantes (” islas “de rocas) o nódulos (bolas del tamaño de BB, a menudo formadas por agua, de minerales que se han cementado juntos)”, el agregaron los funcionarios.

La herramienta producida a través de las imágenes de Curiosity se llama SPOC ( Clasificación de propiedades y objetos del suelo ). Se basó en un trabajo en el que las personas etiquetaron casi medio millón de imágenes, delineando características como arena y roca. La herramienta obtiene estas funciones correctamente el 98% del tiempo, y los conductores de rover ya están usando SPOC para planificar las rutas de Red Planet, dijeron los funcionarios de JPL.

Perseverance tiene 23 cámaras y envía decenas a cientos de imágenes a la Tierra cada día. A los miembros del equipo de la misión les gustaría reducir el tiempo entre el momento en que se reciben las imágenes y el momento en que se cargan las instrucciones en Perseverance de sus equipos. Esto puede llevar horas, porque los ingenieros y geólogos buscan en las fotos características específicas de interés, así como terrenos que pueden ser peligrosos para que los atraviese el rover.

“No es posible que ningún científico observe rápidamente todas las imágenes que envía el rover todos los días”, explicó Vivian Sun, científica del JPL que ayuda a coordinar las operaciones diarias de Perseverance y que es consultora del proyecto AI4Mars. “Nos ahorraría tiempo si hubiera un algoritmo que pudiera decir: ‘Creo que vi vetas de roca o nódulos aquí’, y luego el equipo científico puede observar esas áreas con más detalle”, agregó.

Perseverance envía desde docenas hasta cientos de imágenes a la Tierra cada día para que los científicos e ingenieros las examinen en busca de características geológicas específicas. Pero el tiempo es escaso: después de que esas imágenes viajan millones de millas desde Marte a la Tierra, los miembros del equipo tienen cuestión de horas para desarrollar el siguiente conjunto de instrucciones, basadas en lo que ven en esas imágenes, para enviar a Perseverance.

Toda esta labor de etiquetado servirá para alimentar una base de datos que luego se analizará para poder clasificar el terreno y así ayudar a los robots a comprender mejor lo que capta con sus cámaras y avanzar en la superficie roja. Especialmente durante esta etapa de desarrollo, SPOC requiere mucha validación por parte de los científicos para garantizar su etiquetado con precisión. Pero incluso cuando mejora, el algoritmo no pretende reemplazar análisis más complejos realizados por científicos humanos.

“La clave para cualquier algoritmo exitoso es un buen conjunto de datos. Cuantos más datos individuales estén disponibles, más aprende un algoritmo”, explicó Hiro Ono, el investigador de IA de JPL que dirigió el desarrollo de AI4Mars. “El aprendizaje automático es muy diferente del software normal. Esto no es como hacer algo desde cero. Piense en ello como comenzar con un cerebro nuevo. El esfuerzo aquí es obtener un buen conjunto de datos para enseñar a ese cerebro y analizar los datos para que se aprendan mejor”, concluyó Ono.

En el futuro, etiquetar tales características geológicas también podría ayudar con la búsqueda en curso de vida en Marte, que incluye además del rover, un orbitador y naves espaciales que posibiliten el retorno de muestras marcianas que se espera que sea un hecho en la próxima década.