A NASA e a IBM lançaram um modelo de inteligência artificial de código aberto capaz de analisar a superfície da Lua. A ferramenta identifica possíveis depósitos de gelo, mapeia crateras, reconhece formações vulcânicas e pode ser adaptada a diferentes pesquisas com conjuntos menores de dados classificados.
O sistema foi desenvolvido a partir de informações de quatro missões espaciais. A maior parte dos dados veio do Lunar Reconnaissance Orbiter (LRO), que reúne observações feitas durante 17 anos. Esse acervo inclui cerca de 2 milhões de imagens, entre mais de 1 milhão de registros de câmera com resolução de 1 metro e quase 964 mil imagens multiespectrais de 100 metros.
Também foram incorporados dados das missões GRAIL, Lunar Prospector e SELENE, da agência espacial japonesa JAXA. Ao todo, o treinamento combina mais de 30 camadas de informações produzidas por nove instrumentos.
O NASA-IBM Lunar Foundation Model pode ser usado para localizar áreas que talvez contenham gelo, medir crateras, encontrar formações vulcânicas relativamente jovens e detectar alterações na superfície lunar. A tecnologia também permite estimar se regiões com possível gelo permanecem estáveis.
As áreas permanentemente sombreadas nos polos estão entre os principais alvos. Como continuam frias por bilhões de anos, podem conservar gelo na superfície ou no subsolo. A identificação desses locais contribui para o estudo da evolução da Lua e para a avaliação de recursos que poderiam ser usados em futuras missões.
Possíveis usos para exploração
O gelo lunar interessa à ciência porque indica a presença de água e oxigênio. Esses recursos são considerados importantes para uma futura base humana na Lua e para a fabricação de combustível de foguete em missões a Marte.
As crateras também ajudam a reconstruir a história do satélite. Como são formadas por impactos, sua quantidade e suas características permitem estimar a idade da superfície lunar e investigar a história do Sistema Solar.
Em testes, o modelo reconheceu características da Lua com até 23% mais precisão que métodos amplamente usados, segundo NASA e IBM. O ganho foi mais evidente na avaliação da estabilidade do gelo polar.
A NASA e a IBM disponibilizaram o modelo no Hugging Face e publicaram o código completo no GitHub. Também liberaram conjuntos de dados preparados para aprendizado de máquina e coleções de testes integradas ao TerraTorch.
Kevin Murphy, diretor de dados científicos e diretor interino de dados e IA da NASA, afirmou: “O NASA-IBM Lunar Foundation Model mostra o que é possível quando levamos a IA aos petabytes de dados científicos da NASA”.
