NASA e IBM lançam IA gratuita que detecta gelo de água lunar com 22% mais precisão

Encontrar gelo de água na Lua é um dos problemas mais difíceis da ciência planetária. O gelo não está distribuído de forma uniforme, esconde-se em crateras permanentemente sombreadas nos polos, e identificá-lo a partir da órbita exige distinguir sinais espectrais ténues do ruído dos instrumentos. O Lunar Foundation Model da IBM e da NASA foi concebido especificamente para esse problema.

O Lunar Foundation Model é uma IA de código aberto treinada com mais de dois milhões de imagens de cinco sondas que orbitam a Lua: a Lunar Reconnaissance Orbiter, a GRAIL, a Lunar Prospector, a SELENE/Kaguya e outras. Está disponível no Hugging Face e no GitHub através do framework geoespacial TerraTorch da IBM, sem qualquer custo.

Em testes de referência, o modelo identifica depósitos de gelo de água com 22% mais precisão do que os métodos anteriores. Também encontra crateras lunares com 19% mais precisão. Notavelmente, atinge esse desempenho utilizando metade dos dados de treino etiquetados que os modelos comparáveis exigem — uma característica importante para a ciência lunar, onde os conjuntos de dados etiquetados são caros de produzir.

O valor prático reside na cartografia de recursos para o programa Artemis. A NASA planeia estabelecer uma presença humana sustentada perto do polo sul lunar, onde o gelo de água pode ser convertido em água potável, oxigénio e propelente para foguetões. Saber onde o gelo realmente está e quanto existe molda diretamente a seleção dos locais de aterragem e o planeamento das infraestruturas.

O modelo é disponibilizado sob uma licença aberta porque tanto a IBM como a NASA contribuem para ele a partir de investigação financiada publicamente. Torná-lo livremente acessível significa que cientistas em universidades, agências espaciais e empresas privadas podem utilizá-lo, avaliá-lo e melhorá-lo sem entraves de licenciamento. O TerraTorch, o framework da IBM no qual funciona, trata do pipeline de dados geoespaciais subjacente.

O valor de 22% de melhoria é um resultado de referência — uma comparação com outros modelos num conjunto de dados de teste padronizado, não uma medição de uma missão operacional ativa. Se o Lunar Foundation Model melhorará efetivamente a tomada de decisões em missões reais depende de quão bem as condições de referência refletem os dados reais de observação lunar, que variam com a geometria orbital, a calibração dos instrumentos e os ângulos de iluminação solar. A validação independente por grupos não afiliados à IBM ou à NASA ainda não foi publicada.

O Lunar Foundation Model está disponível no Hugging Face e no GitHub. A IBM e a NASA não definiram um calendário para integrar o modelo no planeamento ativo da missão Artemis.

Etiquetas: inteligência artificial, nasa, IBM, exploração lunar, IA código aberto, Lunar Foundation Model