IBM e NASA lançam modelo de IA para explorar a Lua

IBM e NASA lançaram nesta quinta-feira (10) o NASA-IBM Lunar Foundation Model, um modelo de inteligência artificial (IA) em código aberto voltado à exploração científica da Lua. É um dos primeiros modelos de base disponibilizados publicamente para esse fim.

O lançamento transforma décadas de dados lunares coletados por diferentes instrumentos em uma plataforma acessível à comunidade científica global. O modelo pode ajudar pesquisadores a identificar padrões e relações ocultas em um volume de informações que nenhum instrumento isolado foi capaz de processar em escala equivalente.

Desafios que o modelo resolve

A superfície da Lua está em constante transformação. Ao longo de décadas, sensores e instrumentos geraram petabytes de dados sobre crateras, depósitos de gelo e formações vulcânicas. Até agora, os cientistas dependiam, em grande parte, da interpretação manual de mapas e imagens ou de modelos de aprendizado de máquina de baixa resolução criados para tarefas específicas, abordagens que exigem elevada capacidade computacional e nem sempre oferecem a precisão necessária para identificar características geológicas.

O NASA-IBM Lunar Foundation Model se propõe a acelerar esse processo ao combinar observações multimodais em diferentes resoluções e conectar dados de fontes distintas.

Leia também: IA no Brasil avança, mas empresas ainda enfrentam desafio do ROI

Três aplicações centrais do modelo

Os pesquisadores poderão usar o modelo em três frentes principais:

• Detecção de crateras: o modelo identifica, contextualiza e classifica crateras em resolução de escala métrica. Em resolução de contexto (aproximadamente 100 metros), supera o modelo de referência SwinV2-B (ImageNet) em quase 19%, utilizando apenas metade dos dados de treinamento. O mapeamento de crateras é considerado fundamental para a seleção de locais seguros de pouso e o planejamento de infraestruturas na superfície lunar.
• Possíveis depósitos de gelo lunar: regiões permanentemente sombreadas podem abrigar gelo abaixo da superfície, recurso essencial para futuras bases lunares e para a produção de combustível em missões a Marte. Um artigo técnico da IBM e da NASA mostra que o modelo reduziu em até 22% o erro de identificação (RMSE) nessas áreas em comparação ao SwinV2-B (ImageNet).
• História vulcânica: o modelo identifica formações conhecidas como Irregular Mare Patches, usadas para compreender a evolução térmica da Lua. O desempenho foi 3% superior ao do SwinV2-B (ImageNet), com maior eficiência e menores custos de ajuste fino.

“A NASA passou décadas construindo extraordinário acervo científico da Lua, mas coletar dados é apenas parte do trabalho”, afirma Kevin Murphy, diretor-chefe de dados científicos e diretor interino de dados e IA da NASA. “Também precisamos tornar esses dados mais acessíveis e fáceis de explorar. O NASA-IBM Lunar Foundation Model demonstra o potencial da inteligência artificial para transformar os petabytes de dados científicos da NASA em novas descobertas”.

Dataset inédito e família Prithvi

Junto ao modelo, IBM e NASA desenvolveram o primeiro conjunto de dados lunar unificado e de código aberto preparado para machine learning. O dataset reúne mais de 30 camadas espacialmente alinhadas provenientes de nove instrumentos distribuídos em quatro missões, entre elas o Lunar Reconnaissance Orbiter (LRO) e a missão GRAIL, ambas da NASA, além da missão SELENE/Kaguya, da Agência Japonesa de Exploração Aeroespacial (JAXA). O resultado é uma visão multimodal da superfície e do subsolo lunar, com dezenas de milhares de imagens e mapas de propriedades geofísicas.

“Desvendar os mistérios da Lua exige a capacidade de extrair conhecimento de um volume extraordinário de dados científicos”, explica Juan Bernabe-Moreno, diretor da IBM Research Europa, Reino Unido e Irlanda. “O NASA-IBM Lunar Foundation Model oferece aos cientistas uma base para explorar a Lua em escala, conectando observações de diferentes instrumentos, revelando padrões que seriam difíceis de identificar de forma isolada e disponibilizando uma plataforma aberta sobre a qual a comunidade científica global pode continuar a desenvolver pesquisas”.

O NASA-IBM Lunar Foundation Model passa a integrar a família Prithvi de modelos fundacionais abertos, que já contempla aplicações em dados geoespaciais, meteorologia e heliofísica. A lógica da família é substituir o desenvolvimento de um novo sistema algorítmico para cada questão científica por um modelo compartilhado, adaptável a novas tarefas.

Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!