A NASA e a IBM colaboraram no lançamento de um modelo de inteligência artificial de código aberto, projetado para analisar a superfície lunar. Este sistema foi treinado utilizando dados provenientes de quatro missões distintas, permitindo-lhe identificar potenciais depósitos de gelo, mapear crateras e auxiliar no estudo de formações vulcânicas.
O desenvolvimento desta ferramenta visa acelerar as investigações baseadas em décadas de observações lunares e oferecer suporte aos planos para estabelecer uma presença humana duradoura no satélite. Um dos focos primários deste projeto é localizar água e outros recursos cruciais para futuras expedições.
O modelo, denominado NASA-IBM Lunar Foundation Model, recebeu seu treinamento majoritariamente com informações capturadas pelo Lunar Reconnaissance Orbiter (LRO) ao longo de 17 anos. O conjunto de dados abrange aproximadamente dois milhões de imagens, incluindo mais de um milhão de registros de câmera com resolução de um metro e quase 964 mil imagens multiespectrais com resolução de 100 metros.
Adicionalmente, foram incorporados dados das missões GRAIL, Lunar Prospector e SELENE, conduzidas pela agência espacial japonesa JAXA. No total, o treinamento envolve mais de 30 camadas de dados coletadas por nove instrumentos de quatro missões.
Embora a NASA tenha dedicado décadas à criação de um vasto registro científico da Lua, o processo de coleta de dados é apenas uma etapa; é necessário tornar esses dados mais acessíveis e utilizáveis para os cientistas.
Potenciais aplicações do modelo
O modelo já processa um grande volume de informações durante o treinamento e possui capacidade de adaptação posterior para tarefas específicas, mesmo com volumes menores de dados classificados. Entre os usos previstos, destacam-se as regiões polares permanentemente sombreadas. Estas áreas são de grande interesse por manterem temperaturas baixas o suficiente para conservar gelo por bilhões de anos.
A descoberta de locais onde este gelo possa estar estável, seja na superfície ou subterrâneo, contribui tanto para o entendimento da história lunar quanto para a avaliação de recursos exploratórios. Além da pesquisa científica, a presença de gelo sinaliza a existência de água e oxigênio, substâncias consideradas vitais para o estabelecimento de uma futura base lunar e para a produção de propelente para viagens a Marte.
As crateras também desempenham um papel significativo, pois cada uma é resultado de um impacto, e suas características e quantidade auxiliam os cientistas a determinar a idade da superfície lunar e a reconstruir a cronologia do Sistema Solar.
Em testes realizados, o modelo demonstrou identificar características da superfície lunar com uma precisão superior em até 23% em comparação com métodos convencionais, conforme relatado pela NASA e IBM. Essa melhoria foi particularmente notável na estimativa da estabilidade do gelo polar.
O NASA-IBM Lunar Foundation Model foi tornado público na plataforma Hugging Face, e seu código completo está disponível no GitHub. Tanto a NASA quanto a IBM também disponibilizaram conjuntos de dados prontos para aprendizado de máquina e coleções de testes integradas ao TerraTorch.