O NASA-IBM Lunar Foundation Model transforma décadas de observações da Lua em uma base para descobertas, ajudando cientistas a identificar padrões em dados em uma escala que nenhum instrumento isolado foi capaz de oferecer;
A IBM (NYSE: IBM) e a NASA anunciaram hoje o lançamento do modelo de código aberto denominado “NASA-IBM Lunar Foundation Model”, um dos primeiros modelos de base disponibilizados publicamente para a exploração científica da Lua. Treinado com um amplo conjunto de dados de observação lunar com a curadoria de pesquisadores da IBM e da NASA, o modelo pode ajudar cientistas a transformar décadas de dados complexos, coletados de diferentes instrumentos, em insights que podem contribuir para o estabelecimento de uma presença humana sustentável na Lua.
A topografia lunar está em constante transformação. Ao longo do tempo, sua superfície formou crateras, acumulou depósitos de gelo e até registrou atividade vulcânica. Durante décadas, sensores e instrumentos monitoraram continuamente a Lua, gerando petabytes de dados. No entanto, para estudar sua superfície, os cientistas ainda dependem, em grande parte, da interpretação manual de mapas e imagens ou de modelos de aprendizado de máquina de baixa resolução desenvolvidos para tarefas específicas. Além de exigirem elevada capacidade computacional, essas abordagens nem sempre oferecem a precisão científica necessária para identificar e estudar características geológicas. O novo NASA-IBM Lunar Foundation Model ajudará pesquisadores a acelerar o progresso científico ao identificar relações ocultas entre diferentes tipos e resoluções de dados lunares.
Com o NASA-IBM Lunar Foundation Model, pesquisadores poderão explorar diferentes fenômenos lunares, entre eles:
- Possíveis depósitos de gelo lunar: Regiões permanentemente sombreadas estão entre os ambientes mais difíceis de observar na Lua, mas podem abrigar gelo abaixo da superfície. O gelo lunar indica a presença de água e oxigênio, recursos considerados essenciais para futuras bases lunares e para a produção de combustível para missões a Marte. Ao combinar observações multimodais em diferentes resoluções, o modelo é capaz de prever onde esses depósitos podem estar localizados. Um artigo técnico produzido pela IBM e pela NASA mostra que o modelo reduziu em até 22% o erro (RMSE) na identificação de áreas com alto potencial para gelo lunar quando comparado ao modelo SwinV2-B (ImageNet); [1]
- História vulcânica: Os cientistas estudam formações vulcânicas lunares conhecidas como Irregular Mare Patches para aprofundar a compreensão da história vulcânica e a evolução térmica da Lua. A identificação dessas regiões também é considerada estratégica para futuras operações na superfície lunar. Utilizando rótulos imperfeitos, o modelo foi capaz de capturar a extensão dessas formações vulcânicas com desempenho 3% superior ao do SwinV2-B (ImageNet), alcançando níveis comparáveis de precisão com maior eficiência e menores custos de ajuste fino[2] [3]
- Detecção de crateras: As crateras estão entre os elementos mais importantes e marcantes da superfície lunar, oferecendo pistas valiosas sobre a história da Lua, incluindo a idade de seus terrenos, sua evolução geológica e a composição química de seu interior primitivo. O mapeamento dessas formações também é fundamental para apoiar a NASA na seleção de locais seguros para pouso, na identificação de riscos como encostas íngremes e grandes rochas e no planejamento de futuras infraestruturas na superfície lunar. Com o modelo, pesquisadores podem identificar, contextualizar e classificar crateras em resolução de escala métrica. O estudo associado demonstra precisão comparável à de modelos de ponta, como o SwinV2-B, com maior eficiência e menores custos de ajuste fino. Em resolução de contexto (aproximadamente 100 metros), o modelo supera o SwinV2-B em quase 19%, utilizando apenas metade dos dados de treinamento. [4]
“A NASA passou décadas construindo extraordinário acervo científico da Lua, mas coletar dados é apenas parte do trabalho”, afirmou Kevin Murphy, Chief Science Data Officer e Acting Chief Data and AI Officer da NASA. “Também precisamos tornar esses dados mais acessíveis e fáceis de explorar. O NASA-IBM Lunar Foundation Model demonstra o potencial da inteligência artificial para transformar os petabytes de dados científicos da NASA em novas descobertas”.
“Desvendar os mistérios da Lua exige a capacidade de extrair conhecimento de um volume extraordinário de dados científicos”, afirmou Juan Bernabe-Moreno, Diretor da IBM Research Europa, Reino Unido e Irlanda. “O NASA-IBM Lunar Foundation Model oferece aos cientistas uma base para explorar a Lua em escala, conectando observações de diferentes instrumentos, revelando padrões que seriam difíceis de identificar de forma isolada e disponibilizando uma plataforma aberta sobre a qual a comunidade científica global pode continuar a desenvolver pesquisas”.
Apesar da grande quantidade de dados lunares disponíveis, não existia um conjunto de dados público e unificado que reunisse informações multimodais e de múltiplas resoluções em uma estrutura comum adequada para os métodos modernos de aprendizado de máquina. Juntamente com o modelo, cientistas da IBM e da NASA desenvolveram o primeiro conjunto de dados lunar de código aberto desse tipo: um dataset lunar unificado, preparado para aprendizado de máquina, que agrega mais de 30 camadas espacialmente alinhadas provenientes de nove instrumentos distribuídos em quatro missões. O conjunto reúne dezenas de milhares de imagens e mapas com propriedades geofísicas únicas da superfície lunar, obtidas pelo Lunar Reconnaissance Orbiter (LRO) da NASA e pela missão GRAIL da NASA, além de incorporar dados lunares complementares da missão SELENE/Kaguya, da Agência Japonesa de Exploração Aeroespacial (JAXA). O resultado é uma visão rica, multimodal, da superfície e do subsolo da Lua, disponibilizada para que a comunidade científica dedicada à pesquisa da Lua possa expandir e desenvolver novos estudos.
O modelo reforça uma colaboração já estabelecida entre a IBM e a NASA, voltada à transformação de valiosos dados científicos em uma base aberta para impulsionar descobertas em toda a comunidade de pesquisa. Ao disponibilizar o modelo em código aberto, cientistas e pesquisadores passam a ter acesso a sistemas de IA de ponta capazes de acelerar o progresso da exploração lunar. O NASA-IBM Lunar Foundation Model passa a integrar a família Prithvi de modelos fundacionais abertos, que já contempla aplicações em nas áreas de dados geoespaciais, meteorologia, heliofísica e, agora, ciência lunar. Em conjunto, esses modelos apoiam uma visão mais ampla para a pesquisa científica: em vez de desenvolver um novo sistema algorítmico para cada questão científica, os pesquisadores podem partir de um modelo compartilhado e adaptá-lo para novas tarefas, acelerando descobertas em diferentes áreas do conhecimento.