NASA e IBM lançam IA para a Lua: 17 anos de dados abertos para cientistas

A NASA e a IBM acabam de lançar o Lunar Foundation Model, um dos primeiros modelos de inteligência artificial de código aberto para a ciência lunar. A ideia é tornar mais fácil o uso de décadas de observações. O modelo foi treinado com quase 2 milhões de conjuntos de dados, coletados em 17 anos pelo Lunar Reconnaissance Orbiter (LRO).

Na prática, a IA melhora a previsão de depósitos de gelo nos polos da Lua, um recurso vital para futuras missões. Também detecta crateras e outras características da superfície lunar. Isso significa que cientistas podem analisar dados complexos de forma mais rápida e com menos erros, sem precisar de algoritmos específicos para cada tarefa.

Como a IA acelera a pesquisa

Ao contrário de algoritmos feitos para uma única função, o Lunar Foundation Model é um modelo de base. Ele é pré-treinado em grandes volumes de dados sem rótulos. Depois, pode ser adaptado para tarefas específicas com poucos exemplos rotulados. Isso é uma vantagem enorme para a pesquisa lunar, onde há muitos dados, mas poucas marcações.

• A base de dados inclui 17 anos de observações do LRO, além de dados das missões GRAIL, Lunar Prospector e da sonda Kaguya/SELENE da JAXA.
• O modelo recebe informações sobre as condições de iluminação como entrada, em vez de tentar adivinhar. Isso é crucial na Lua, onde a luz altera muito a aparência da superfície.
• Ele usa uma técnica chamada FlexiViT, que permite adaptar o mesmo modelo treinado a diferentes tamanhos de imagens sem precisar de um novo treinamento.

Os maiores ganhos foram na previsão de depósitos de gelo. Regiões polares permanentemente sombreadas permanecem frias o suficiente para preservar água congelada por bilhões de anos. A IA melhorou em até 22% a precisão dessas previsões. Na detecção de crateras em larga escala, o modelo superou as bases existentes em quase 19%.

A vantagem do modelo vem, em parte, de como ele lida com diferentes tipos de dados. Cada camada de informação recebe seu próprio caminho de processamento, diferente de outros modelos que empilham todas as entradas. Isso permite uma análise mais refinada e resultados mais precisos.