A NASA e a IBM Research disponibilizaram publicamente um novo modelo de IA lunar. O NASA-IBM Lunar Foundation Model é de código aberto e pode ser baixado no Hugging Face; o código está no GitHub. Ele foi treinado com 17 anos de dados do Lunar Reconnaissance Orbiter e de outras missões, transformando esse acervo em uma ferramenta que cientistas podem adaptar usando apenas alguns exemplos rotulados.
O que o modelo pode fazer
O modelo processa ao mesmo tempo imagens de alta resolução (cerca de 1 metro por pixel) e imagens de baixa resolução (100 m por pixel). Também recebe como dados de entrada explícitos os ângulos de iluminação e a posição do Sol, o que ajuda a distinguir características reais da superfície de sombras. Nos testes, reduziu em até 22% o erro nas previsões de gelo polar em comparação com o melhor modelo de referência. Na detecção de crateras em baixa resolução, foi cerca de 19% mais preciso, embora tenha usado apenas metade dos dados rotulados.
Como foi desenvolvido
Os pesquisadores reuniram um conjunto de dados chamado SomBench, o maior corpus lunar multimodal co-registrado até hoje. Ele contém quase 2 milhões de “conjuntos de imagens” de 11 tipos diferentes de dados, abrangendo mais de 30 camadas alinhadas de nove instrumentos em quatro missões. O modelo foi treinado do zero com uma técnica chamada FlexiViT, que permite que o mesmo modelo processe imagens com diferentes tamanhos de recorte sem precisar ser treinado novamente.
Por que importa
Para cientistas planetários, o modelo aberto oferece uma IA pronta para identificar gelo e crateras com menos exemplos rotulados manualmente, acelerando pesquisas sobre recursos lunares. Para quem acompanha as futuras missões à Lua, mapas de gelo mais precisos podem ajudar a determinar onde pousar ou extrair água para produzir combustível de foguete. No entanto, o modelo não substitui medições diretas: as coordenadas geográficas que fornece ainda podem apresentar erros de dezenas de graus.
