IBM e NASA divulgam modelo de IA baseado em décadas de dados lunares

Os investigadores podem agora utilizar um modelo de IA de código aberto da IBM e da NASA para analisar décadas de observações lunares em busca de gelo, crateras e terreno vulcânico, utilizando o recém-lançado Modelo de Fundação Lunar NASA-IBM, em preparação para o regresso das pessoas à superfície da Lua. O sistema está disponível para download gratuito no Hugging Face, com o seu código-fonte completo publicado no GitHub, de acordo com a NASA Science.

O estudo da superfície lunar sempre foi um processo relativamente lento, com duas opções possíveis: analisar mapas e imagens manualmente ou treinar um modelo de aprendizagem automática específico e de baixa resolução para cada pedido. Ambas as opções são dispendiosas e deixam frequentemente de captar os detalhes necessários para a investigação científica, afirmou a IBM no seu comunicado.

O lançamento de um modelo base é útil, pois permite aos investigadores utilizar um modelo pré-treinado para cada nova tarefa, em vez de criar um novo quando se trabalha com uma formação geológica diferente. O modelo lunar é a mais recente adição à família Prithvi de modelos de ciência aberta da IBM, que já abrange aplicações em análise geoespacial, meteorologia e heliofísica. Juan Bernabe-Moreno, diretor da IBM Research Europe, Reino Unido e Irlanda, afirmou que o novo sistema oferece aos cientistas uma forma de analisar observações lunares em grande escala edentpadrões que podem ser difíceis de detetar quando se estudam conjuntos de dados individuais.

“O modelo fornece aos cientistas uma base para explorar a Lua em grande escala, ligando observações de diferentes instrumentos e revelando padrões difíceis de serem vistos isoladamente”, disse Bernabe-Moreno.

Benchmarks de desempenho das arestas do modelo de fundação lunar

A NASA e a IBM compararam o modelo com o SwinV2-B, um sistema de visão por computador treinado pela Microsoft e muito utilizado como referência para a análise de imagens. O novo modelo reduziu os erros em 23% na localização dos depósitos de gelo e superou o SwinV2-B em 19% na deteção e classificação de crateras, mesmo tendo sido treinado com metade dos dados. O artigo técnico da IBM reportou uma melhoria de desempenho de 3% quando o modelo foi utilizado para identificardentvulcânicas conhecidas como Manchas Irregulares de Mares, além de exigir menos ajustes.

O modelo foi posto à prova a 5 de agosto, quando a IBM o alimentou com uma imagem que mostrava o local do impacto deixado após um foguetão Falcon 9 da SpaceX ter embatido na Lua. Apesar do novo impacto aparecer quase diretamente sobre uma cratera existente, o modelodent-o corretamente como uma cratera recém-formada.

O objetivo continua a ser o de viabilizar a presença humana permanente na Lua. O mapeamento das regiões permanentemente sombreadas junto aos polos lunares continua a ser um grande desafio, pois estas áreas estão entre as mais difíceis de observar na Lua e podem conter depósitos de gelo subterrâneo. A IBM afirmou que o gelo poderia fornecer água e oxigénio às futuras bases lunares, bem como matéria-prima para combustível de foguetões que poderia viabilizar missões a Marte.

O conjunto de dados pode sobreviver ao modelo

As organizações também divulgaram o que chamaram o primeiro conjunto de dados unificado da Lua, pronto para a aprendizagem automática. O conjunto de dados reúne mais de 30 camadas espacialmente alinhadas, recolhidas por nove instrumentos em quatro missões lunares distintas.

Este conjunto de dados extrai imagens da missão Lunar Reconnaissance Orbiter e da missão gravitacional GRAIL da NASA e acrescenta dados da sonda japonesa SELENE/Kaguya. A Bernabe-Moreno afirmou que os cerca de dois milhões de pontos de dados co-registados podem revelar-se a contribuição mais duradoura, e não o próprio modelo. "Os dados são o que realmente cria a indústria dos modelos de IA", declarou.

O lançamento do modelo de IA é o resultado de uma parceria que remonta há mais de cinco décadas, ao programa Apollo.