Um novo modelo de inteligência artificial de código aberto, treinado com aproximadamente 2 milhões de imagens lunares, consegue mapear crateras, identificar terrenos vulcânicos invulgares e estimar onde o gelo pode permanecer estável junto aos polos da Lua, anunciaram a NASA e a IBM esta quinta-feira. O Modelo de Fundação Lunar NASA-IBM combina mais de 1 milhão de imagens de câmaras de alta resolução com quase 964 mil imagens multiespectrais, oferecendo aos investigadores uma base técnica reutilizável para diversos tipos de análise lunar, em vez de um modelo separado para cada tarefa.

O comunicado público da NASA descreve o sistema como um dos primeiros modelos de base de código aberto construídos especificamente para a ciência lunar. Os seus pesos, modelos subsequentes, dados de referência e código estão disponíveis para testes externos. Esta abertura é importante porque o valor do modelo dependerá não só do desempenho em testes de referência reportado pelos seus criadores, mas também da capacidade de investigadores independentes reproduzirem os resultados e adaptarem o sistema de forma fiável a diferentes instrumentos, condições de iluminação e questões científicas.

Nas avaliações iniciais, o modelo igualou ou superou diversas linhas de base robustas no mapeamento de crateras e na segmentação de manchas irregulares nos mares lunares, demonstrando uma clara vantagem na estimativa da estabilidade do gelo polar. A NASA e a IBM afirmaram que o desempenho melhorou até 23% em tarefas-chave de identificação de superfícies, segundo a Reuters. Estes resultados são promissores, mas medem o desempenho em tarefas de investigação específicas, e não numa decisão de aterragem concluída ou na comprovação da existência de água recuperável.

Um modelo geral para dados lunares

Os modelos fundamentais são treinados em grandes conjuntos de dados, de modo a que as suas representações aprendidas possam ser adaptadas a muitas tarefas subsequentes com quantidades relativamente pequenas de dados rotulados. Na investigação lunar, esta abordagem pode reduzir a necessidade de os cientistas conceberem e treinarem um modelo especializado a partir do zero cada vez que desejam contar crateras, segmentar uma formação geológica ou comparar alterações na superfície. O novo modelo atua como uma estrutura visual comum que pode ser ajustada para um problema científico específico.

Os dados de treino provêm principalmente do Lunar Reconnaissance Orbiter (LRO) da NASA, que estuda a Lua desde 2009. O histórico da missão inclui o mapeamento da superfície lunar à escala quase global, bem como medições de temperatura, composição e radiação. A NASA afirma que o volume de dados do LRO supera o de todas as suas outras missões planetárias combinadas, tornando o arquivo valioso, mas difícil de ser examinado exaustivamente através de uma revisão manual.

O modelo incorpora também imagens e informações de terreno das missões Gravity Recovery and Interior Laboratory e Lunar Prospector da NASA, bem como do Selenological and Engineering Explorer do Japão. A combinação de modalidades pode ajudar o sistema a reconhecer relações difíceis de extrair apenas com um tipo de imagem. As fotografias de alta resolução mostram os detalhes da superfície, enquanto as observações multiespectrais e as camadas de terreno fornecem informações sobre a composição, a elevação e a iluminação.

Três testes com valor prático

A deteção de crateras é a aplicação mais intuitiva. Os cientistas utilizam o número, o tamanho e a distribuição das crateras de impacto para estimar a idade relativa das superfícies lunares e reconstruir partes da história do sistema solar. Automatizar a deteção em vastos ficheiros pode acelerar este trabalho e facilitar a comparação consistente de regiões, embora a revisão humana continue a ser importante quando sombras, margens sobrepostas ou imagens de baixa resolução criam ambiguidade.

Uma segunda tarefa envolve manchas irregulares de mares lunares, pequenas formações vulcânicas que parecem mais jovens do que grande parte do terreno circundante. O seu mapeamento ajuda os investigadores a testar explicações sobre a evolução vulcânica e térmica da Lua. O modelo consegue segmentar estas formações mais rapidamente do que uma pesquisa manual, permitindo aos cientistas dedicar mais tempo à interpretação da sua distribuição e à decisão sobre quais os locais que merecem uma observação mais detalhada.

A terceira aplicação, a prospecção de gelo polar, tem a relevância operacional mais clara. Os caracteres permanentemente sombreados podem permanecer suficientemente frios para preservar o gelo durante milhares de milhões de anos. A visão geral da NASA sobre água lunar explica que os depósitos de gelo podem revelar como a água chegou e se moveu através da Lua. Num futuro programa de exploração, a água acessível também poderia fornecer mantimentos para consumo humano, produção de oxigénio ou propelente, mas os mapas de prospeção identificam locais prováveis, em vez de verificar a quantidade, pureza ou possibilidade de extração de um depósito.

O acesso aberto amplia o teste

A NASA e a IBM publicaram a coleção de modelos no Hugging Face, incluindo versões separadas para deteção de crateras, potencial de gelo e segmentação de manchas irregulares em mares lunares. O lançamento oferece às universidades e grupos de investigação mais pequenos o acesso a um sistema que seria muito dispendioso formar de forma independente. Cria também uma base comum para comparar novas abordagens, em vez de obrigar cada laboratório a desenvolver um ponto de partida diferente.

O repositório de código associado fornece ferramentas de ajuste fino e inferência, integração com a estrutura de código aberto TerraTorch e configurações para as tarefas subsequentes. A NASA também disponibilizou conjuntos de dados e coleções de referência prontos para a aprendizagem automática. O repositório observa que o código de pré-formação não está incluído, uma limitação que os investigadores terão de considerar ao avaliar o quão fielmente o processo de formação original pode ser reproduzido.

A abertura dos pesos e do código não elimina automaticamente outras barreiras. A execução de um modelo de visão computacional complexo exige ainda recursos computacionais, conhecimento técnico e um tratamento cuidadoso dos dados. Os investigadores devem também examinar se os conjuntos de dados de referência contêm enviesamentos geográficos ou de sensores, se as imagens de treino se sobrepõem ao material de avaliação e como os erros do modelo variam em regiões com iluminação extrema ou inconsistente.

Porque é que as imagens lunares são difíceis

A Lua apresenta problemas invulgares para a visão por computador. Com uma atmosfera quase inexistente, a aparência da superfície é fortemente influenciada pelo ângulo da luz solar, e perto dos pólos, a mesma característica pode parecer drasticamente diferente em diferentes observações. As sombras profundas podem ocultar o fundo das crateras, enquanto as encostas brilhantes podem reduzir a textura visível. A NASA alerta que a variação da iluminação pode afetar a visibilidade de crateras mais pequenas, mesmo quando o terreno subjacente permanece inalterado.

A resolução acrescenta outra restrição. O ficheiro de treino combina imagens que variam entre aproximadamente 1 metro a 100 metros por pixel, o que significa que uma camada de dados pode revelar uma característica à escala de um bloco rochoso, enquanto outra apenas capta o seu contexto geológico mais amplo. Um modelo deve aprender ligações úteis entre estas escalas sem tratar cada diferença como uma mudança física. Por conseguinte, as suas previsões são melhor compreendidas como ferramentas para priorizar a análise de especialistas, e não como substitutos da calibração de instrumentos ou do julgamento geológico.

O relatório técnico complementar e os benchmarks permitirão aos especialistas examinar a arquitetura, as escolhas de formação e o desempenho em tarefas específicas. A próxima evidência mais importante virá da avaliação independente em dados que os desenvolvedores do modelo não selecionaram, incluindo observações de outras missões e imagens recolhidas recentemente. Uma melhoria de 23% num referencial pode ser significativa sem implicar o mesmo ganho em todas as regiões lunares ou objetivos científicos.

A IA torna-se infraestrutura científica

O modelo lunar faz parte de um esforço mais amplo da NASA e da IBM para construir sistemas de IA reutilizáveis ​​para a ciência. Os modelos anteriores do programa Prithvi abordaram a observação da Terra, o clima, as inundações, as plantações e os furacões, enquanto foi desenvolvido um modelo solar para a previsão do clima espacial. A estratégia de IA define estes sistemas como uma forma de extrair mais valor de grandes conjuntos de dados públicos que estão a crescer mais rapidamente do que os investigadores conseguem analisá-los manualmente.

Esta abordagem pode mudar a economia do software científico. Treinar um modelo amplamente útil e distribuí-lo abertamente permite que muitas equipas partilhem o elevado custo inicial e, em seguida, invistam os seus recursos em validação e aplicações especializadas. Pode também melhorar a comparabilidade entre estudos, caso os investigadores reportem os resultados em relação aos mesmos parâmetros de referência. A desvantagem é que um modelo base amplamente adotado pode propagar as suas lacunas em muitos projetos, tornando a documentação e os testes independentes essenciais.

O contexto imediato da missão é o programa Artemis, que visa adquirir experiência para a exploração lunar sustentada e futuras missões a Marte. Mapas mais precisos poderiam ajudar a restringir as áreas candidatas a aterragem, identificar riscos no terreno e priorizar locais para medições diretas de recursos. No entanto, o modelo não escolhe um local de aterragem sozinho; restrições de engenharia, comunicações, iluminação, objetivos científicos e observações diretas continuam a fazer parte desta decisão.

O que o comunicado estabelece

O comunicado da NASA-IBM demonstra que um único sistema pré-treinado pode ter um desempenho competitivo em diversas tarefas de mapeamento lunar e que os seus criadores estão a disponibilizar recursos essenciais para análise. Isto não garante que todas as previsões sejam precisas, que o gelo suspeito possa ser extraído ou que a análise automatizada possa substituir os cientistas planetários. Estas distinções são especialmente importantes quando um resultado de IA influencia missões dispendiosas ou planeamento crítico para a segurança.

A fase seguinte testará se o modelo se tornará uma plataforma de investigação duradoura, em vez de apenas uma demonstração bem-sucedida. A adoção por equipas independentes, o desempenho com novos dados de missão, a divulgação transparente de falhas e as reduções mensuráveis ​​no tempo de análise fornecerão provas mais robustas do seu valor operacional. Para já, a NASA e a IBM reduziram a barreira técnica à aplicação de visão computacional avançada à Lua e abriram o sistema à comunidade científica, que deverá determinar o alcance das suas vantagens.