IBM e NASA lançam modelo de IA construído com décadas de dados lunares

Os pesquisadores agora podem usar um modelo de IA de código aberto da IBM e da NASA para filtrar décadas de observações lunares em busca de gelo, crateras e terreno vulcânico usando o recém-lançado NASA-IBM Lunar Foundation Model, em preparação para retornar pessoas à superfície da Lua. O sistema está disponível para download gratuito no Hugging Face, com seu código-fonte completo publicado no GitHub, de acordo com a NASA Science.

Estudar a superfície lunar sempre foi um processo relativamente lento com uma de duas opções possíveis, que incluíam vasculhar mapas e imagens manualmente ou treinar um modelo de aprendizado de máquina estreito e de baixa resolução para cada solicitação separada. Ambas as opções são caras de executar e frequentemente perdem os detalhes finos que os cientistas precisam em suas pesquisas, disse a IBM em seu anúncio.

O lançamento de um modelo fundamental ajuda, pois os pesquisadores podem então usar um modelo pré-treinado para cada nova tarefa em vez de construir um novo ao trabalhar com uma característica geológica diferente. O modelo lunar é a última adição à família de modelos de ciência aberta Prithvi da IBM, que já abrange aplicações em análise geoespacial, clima e heliofísica. Juan Bernabe-Moreno, diretor da IBM Research Europa, Reino Unido e Irlanda, disse que o novo sistema dá aos cientistas uma maneira de analisar observações lunares em escala e identificar padrões que podem ser difíceis de detectar ao estudar conjuntos de dados individuais.

“O modelo dá aos cientistas uma base para explorar a Lua em escala, conectando observações entre instrumentos, revelando padrões que são difíceis de ver isoladamente”, disse Bernabe-Moreno.

Modelo fundamental lunar ultrapassa benchmarks de desempenho

A NASA e a IBM mediram o modelo contra o SwinV2-B, um sistema de visão treinado pela Microsoft amplamente usado como linha de base para análise de imagens. O novo modelo reduziu os erros em 23% ao ser usado na localização de depósitos de gelo e superou o SwinV2-B em 19% na descoberta e classificação de crateras, mesmo treinando com metade dos dados. O relatório técnico da IBM registrou uma melhoria de desempenho de 3% quando o modelo foi usado para identificar características vulcânicas conhecidas como Irregular Mare Patches, enquanto também exigia menos ajuste fino.

O modelo foi submetido a um teste ao vivo em 5 de agosto, quando a IBM alimentou uma imagem mostrando o local do impacto deixado após um foguete SpaceX Falcon 9 atingir a Lua. Apesar do novo impacto aparecer quase diretamente sobre uma cratera existente, o modelo o identificou corretamente como uma cratera recém-formada.

O objetivo continua sendo tornar possível a presença humana sustentada na Lua. Mapear regiões permanentemente sombreadas próximas aos polos lunares continua sendo um grande desafio, pois essas áreas estão entre as mais difíceis de observar na Lua e podem conter depósitos de gelo subsuperficial. A IBM disse que o gelo poderia fornecer água e oxigênio para futuras bases lunares, além de fornecer matérias-primas para combustível de foguete que poderia apoiar missões a Marte.

O conjunto de dados pode durar mais que o modelo

As organizações também lançaram o que chamaram de o primeiro conjunto de dados unificado e pronto para aprendizado de máquina da Lua. O conjunto de dados reúne mais de 30 camadas espacialmente alinhadas coletadas por nove instrumentos em quatro missões lunares separadas.

Este conjunto de dados puxa imagens do Lunar Reconnaissance Orbiter e da missão de gravidade GRAIL da NASA e adiciona dados do orbitador japonês SELENE/Kaguya. Bernabe-Moreno disse que os aproximadamente dois milhões de pontos de dados co-registrados podem provar ser a contribuição duradoura em relação ao próprio modelo. “Os dados são o que realmente cria a indústria de modelos de IA”, afirmou.

O lançamento do modelo de IA se baseia em uma parceria que remonta a mais de cinco décadas ao programa Apollo.