Um modelo de inteligência artificial desenvolvido pela NASA e pela IBM foi disponibilizado para analisar diferentes características da superfície lunar. A ferramenta pode ser ajustada para tarefas específicas mesmo quando os pesquisadores têm conjuntos menores de dados classificados.
O sistema foi treinado principalmente com observações do Lunar Reconnaissance Orbiter (LRO), coletadas ao longo de 17 anos. O acervo reúne cerca de 2 milhões de imagens, incluindo mais de 1 milhão de registros de câmera com resolução de 1 metro e quase 964 mil imagens multiespectrais de 100 metros.
Também foram usados dados das missões GRAIL, Lunar Prospector e SELENE, da agência espacial japonesa JAXA. Ao todo, o treinamento reúne mais de 30 camadas de informações produzidas por nove instrumentos de quatro missões.
A NASA e a IBM informaram que o modelo identificou características lunares com até 23% mais precisão que métodos amplamente utilizados nos testes. O desempenho foi especialmente destacado na avaliação da estabilidade de áreas polares onde pode existir gelo.
Entre as aplicações estão a identificação de possíveis depósitos de gelo, o mapeamento e a medição de crateras, a localização de formações vulcânicas relativamente jovens e a detecção de mudanças na superfície. O sistema também pode estimar a estabilidade de regiões onde o gelo esteja presente.
As áreas permanentemente sombreadas dos polos permanecem frias o suficiente para preservar gelo por bilhões de anos. Localizar pontos em que esse material pode continuar estável, na superfície ou abaixo dela, contribui para o estudo da história lunar e para a análise de possíveis recursos de exploração.
A presença de gelo pode indicar água e oxigênio, considerados importantes para uma futura base lunar e para a produção de combustível de foguete em missões a Marte. As crateras, por sua vez, ajudam a estimar a idade da superfície da Lua e a reconstruir a história do Sistema Solar, porque resultam de impactos e preservam características desses eventos.
O NASA-IBM Lunar Foundation Model foi publicado no Hugging Face, e o código completo está disponível no GitHub. NASA e IBM também liberaram conjuntos de dados preparados para aprendizado de máquina e coleções de testes integradas ao TerraTorch.
Para Kevin Murphy, diretor de dados científicos e diretor interino de dados e IA da NASA, “coletar dados é apenas parte do trabalho”. A abertura do material permite que pesquisadores testem, comparem e aprimorem o modelo em diferentes estudos sobre a Lua.
