NASA e IBM abrem modelo de IA que mapeia a Lua

A NASA e a IBM abriram o código de um modelo de inteligência artificial batizado de “NASA-IBM Lunar Foundation Model“. A ferramenta junta décadas de dados coletados por sondas dos Estados Unidos e do Japão para mapear a superfície da Lua.

O modelo nasce dentro do programa Artemis, da NASA, que prepara uma base lunar de longa duração antes de missões a Marte. Ele reúne, pela primeira vez, observações captadas em diferentes ângulos, escalas e tipos de sensor em uma única representação.

A tecnologia parte do TerraMind, modelo de observação da Terra desenvolvido pela IBM com a ESA (Agência Espacial Europeia), adaptado agora para o ambiente lunar. O treinamento usou o SomBench, um conjunto de quase dois milhões de blocos de imagem que cobre 11 tipos de dado em duas escalas espaciais, de 1 metro e de 100 metros por pixel.

Três usos definidos pela NASA

A agência espacial dos EUA já definiu três aplicações prioritárias para o modelo. A primeira é mapear crateras pequenas que ainda não entraram em catálogos oficiais. A segunda é investigar a história vulcânica da Lua, incluindo manchas de lava que podem ser mais jovens do que se pensava. A terceira é localizar gelo nas crateras polares, um recurso que poderia virar água potável, oxigênio e combustível para futuras tripulações.

A luz na Lua muda de forma extrema entre os dois polos e o restante da superfície. Sem atmosfera para espalhar a claridade, um dia lunar de duas semanas de sol é seguido por duas semanas de escuridão total, e a temperatura varia de 121°C a -246°C. Nos polos, o Sol fica baixo no horizonte o tempo todo, o que produz sombras compridas e esconde crateras e rochas do caminho dos astronautas.

Resultados testados, mas ainda de laboratório

Em testes controlados, o modelo reduziu em 22% a taxa de erro na tarefa de identificar gelo em crateras escuras, na comparação com um modelo especializado chamado SwinV2. Na detecção de crateras em imagens de resolução mais baixa, o desempenho superou esse mesmo modelo em quase 19%, usando metade dos dados de treinamento. No mapeamento de manchas vulcânicas, o ganho foi de 3%.

Esses números vêm de comparações internas entre modelos de inteligência artificial, feitas com bancos de imagem já catalogados. Não são resultados de uma missão real em solo lunar, e a NASA ainda não anunciou um cronograma para usar o modelo na navegação de uma tripulação ou de um rover.

Para treinar o sistema sem refazer todo o processamento, os pesquisadores usaram uma técnica chamada LoRA, que ajusta uma pequena parte da rede neural e mantém 90% dos parâmetros originais congelados. Isso reduz custo computacional sem abrir mão de precisão, segundo o material divulgado.

O que muda para a exploração lunar

O interesse pela Lua vai além da ciência. O solo lunar contém hélio-3, isótopo raro que pode alimentar reatores de fusão nuclear no futuro, além de elementos de terras raras usados em celulares e outros eletrônicos. Quatro países, fora os Estados Unidos, já pousaram sondas na Lua e declararam intenção de manter presença por lá.

Cientistas também veem a Lua como ponto de observação astronômica livre de interferência de satélites e sem campo magnético para atrapalhar instrumentos. Segundo Martin Elvis, astrônomo do Center for Astrophysics, ligado à Harvard University e ao Smithsonian Institution, seria preciso ir “para além de Netuno” para achar um lugar com tão pouco ruído de rádio quanto o lado oculto da Lua.

Michael Barker, especialista da NASA em topografia lunar que dividiu a coordenação do projeto com a IBM, afirma que a idade das manchas vulcânicas ainda gera debate entre pesquisadores, e que entender sua distribuição ajuda a resolver essa questão. Já Juan Bernabé-Moreno, diretor do IBM Research Europe para Irlanda e Reino Unido, disse esperar que o modelo ajude a comunidade científica a explorar o terreno lunar antes do envio da próxima geração de astronautas.