NASA e IBM lançam modelo de IA de código aberto para a ciência lunar
Desenvolvido em conjunto pela NASA e IBM, o NASA-IBM Lunar Foundation Model analisa 17 anos de dados espaciais e está disponível de forma aberta.
Resumo rápido
- NASA e IBM lançaram um modelo de IA de código aberto para análise de dados lunares.
- O modelo foi treinado do zero com quase 2 milhões de blocos de dados de 17 anos de missões.
- Nos testes, a IA reduziu em até 22% o erro na previsão de depósitos de gelo no solo lunar.
Entenda o contexto
Um modelo de fundação é um sistema de inteligência artificial treinado em uma grande quantidade de dados não rotulados, capaz de ser adaptado para diferentes tarefas específicas com poucos exemplos adicionais. No contexto da exploração espacial, a tecnologia permite analisar acervos gigantescos de imagens e leituras de sensores acumulados ao longo de décadas de missões.
A NASA e a IBM Research, em colaboração com instituições acadêmicas, lançaram o NASA-IBM Lunar Foundation Model, descrito pelas organizações como um dos primeiros modelos de fundação de código aberto voltados para a ciência lunar. O sistema processa dados coletados durante décadas de observação espacial para facilitar análises científicas e tarefas de aprendizado de máquina sobre a Lua.
Para criar a ferramenta, os pesquisadores treinaram o modelo do zero utilizando o SomBench, um conjunto de dados multimodal que reúne quase 2 milhões de conjuntos de imagens e informações de diferentes sensores. A maior parte desse acervo vem de 17 anos de missões da sonda Lunar Reconnaissance Orbiter (LRO), além de dados de gravidade da missão GRAIL, medições de hidrogênio da Lunar Prospector e informações mineralógicas da sonda Kaguya/SELENE, da agência espacial japonesa JAXA.
Arquitetura e desempenho no mapeamento lunar
Baseado no modelo de observação terrestre TerraMind, o sistema foi adaptado para receber parâmetros de iluminação e geometria diretamente como contexto em cada imagem. Essa abordagem evita que o modelo precise deduzir os ângulos do Sol a partir dos pixels brutos, algo relevante para a superfície lunar, onde as variações de luz afetam drasticamente a aparência do relevo.
Segundo o relatório técnico da equipe, o modelo pré-treinado igualou ou superou as tecnologias de referência em tarefas como detecção de crateras e segmentação de Manchas de Mares Irregulares (IMPs). De acordo com alegações da IBM, a maior vantagem foi registrada na previsão de depósitos de gelo polar, onde a inteligência artificial reduziu o erro em até 22% na comparação com o modelo de comparação SwinV2-B. Na detecção de crateras em escala ampla, a precisão superou a mesma referência em quase 19%, utilizando apenas metade dos dados de treinamento.
Aplicações práticas e limitações
Diferentemente de soluções projetadas para a operação autônoma de veículos — como o movimento de empresas que testam IA para dar autonomia a naves —, o novo modelo destina-se ao processamento científico de dados de observação. As análises publicadas mostram que a ferramenta serve como base reutilizável para tarefas analíticas, mas não substitui instrumentos de medição física. Em testes de geração, por exemplo, o modelo apresentou desvios de dezenas de graus no posicionamento geodésico absoluto.
O código do projeto foi disponibilizado no GitHub, enquanto os dados de pré-treinamento e os arquivos do modelo podem ser acessados na plataforma Hugging Face. A iniciativa faz parte do acordo de cooperação "AI for Science", mantido entre a NASA e a IBM desde o início de 2022.
Referências
- Reportagem consultada: The Decoder
Links para conferência: não indicam endosso das fontes ao conteúdo do portal.
Gostou? Compartilhe:
Comentários 0
Ninguém comentou ainda. Seja o primeiro!
