En un esfuerzo por optimizar la planificación de misiones lunares y el uso de recursos in situ, un grupo de investigadores del Laboratorio de Física Aplicada de la Universidad Johns Hopkins se ha enfocado en el empleo de Modelos de Lenguaje Grande (LLM) para la extracción de datos estandarizados a partir de una vasta colección de publicaciones científicas. Al centrar sus esfuerzos en la obtención de información sobre la composición lunar, el equipo busca mejorar el acceso y utilización de datos críticos en la toma de decisiones de misión espacial.

Aprovechando el potencial de los LLM, el estudio reveló que, aunque los modelos actuales son efectivos en la extracción de datos de tablas presentes en documentos científicos, todavía existen áreas para mejorar. La capacidad de identificar información mineralógica precisa y manejar las complejidades inherentes de datos económicos sigue siendo un desafío. Además, se destacó la importancia de la exactitud y la cuantificación de la incertidumbre, dado que incluso pequeñas variaciones en la composición de los materiales pueden influir significativamente en los resultados científicos.

El equipo de investigación empleó la técnica de Generación Aumentada por Recuperación (RAG) para manejar los documentos y seleccionar información relevante. Dicho proceso permitió identificar partes específicas de los documentos que el LLM utilizará para responder consultas sobre composición de muestras lunares en misiones espaciales.

El estudio utilizó un corpus representativo compuesto por 728 documentos PDFs del Compendio de Muestras Lunares, enfocándose en las misiones Apollo 11, 12, 14, 15, 16 y 17. Para asegurar la precisión del LLM, el equipo manualmente verificó los datos de composición química de 10 muestras. El análisis de aproximadamente 2000 intervalos de datos dio lugar a estimaciones precisas en cuanto a la composición mineralógica de la superficie lunar.

A pesar de ciertas limitaciones en el manejo de complejidades dentro de los documentos, los resultados sugieren que los LLM con ajustes adecuados tienen un vertiginoso potencial para revolucionar la planificación de misiones lunares. Se espera que, conforme los modelos sigan evolucionando, se mejore la especificidad y el alcance de este tipo de investigaciones que permiten vislumbrar un futuro con misiones espaciales más eficientes.