NASA e IBM criam inteligência artificial para mapear totalmente a Lua

A NASA e a IBM uniram esforços para desenvolver um modelo de inteligência artificial (IA) open-source focado na exploração da Lua. Esta nova ferramenta simplificará o trabalho dos cientistas na análise da superfície do nosso satélite natural.

Uma nova era na exploração da Lua

A recente missão Artemis II reacendeu o entusiasmo global pela exploração espacial, ao realizar um voo histórico em redor da Lua. Com o objetivo de preparar as próximas missões tripuladas, a agência espacial norte-americana aliou-se à IBM para criar o NASA-IBM Lunar Foundation Model.

Este sistema, agora disponível na plataforma Hugging Face, destaca-se pela sua capacidade de identificar com precisão zonas propícias à presença de gelo na superfície lunar.

Para testar a eficácia da nova tecnologia, os investigadores compararam as suas previsões com mapas térmicos e geológicos já validados pela comunidade científica.

O modelo foi também colocado à prova contra o SwinV2-B, um sistema de visão computacional desenvolvido pela Microsoft. Os resultados demonstraram uma impressionante redução de erros na ordem dos 23%.

Superar os desafios das crateras e das sombras

A identificação de crateras é outro ponto forte deste novo modelo, superando o sistema da Microsoft em 19%, utilizando apenas metade dos dados de treino. A capacidade prática do algoritmo foi comprovada após a colisão de um foguete Falcon 9 da SpaceX com a Lua, onde o sistema identificou de imediato a nova cratera gerada pelo impacto, mesmo estando sobreposta a uma já existente.

O treino deste modelo de IA apresentou obstáculos complexos devido às condições de iluminação na Lua. Ao contrário da Terra, onde a atmosfera suaviza as transições de luz, no satélite natural as sombras são extremamente escuras e definidas. Esta ausência de luz difusa faz com que uma cratera mude drasticamente de aspeto consoante a posição do Sol.

Os métodos tradicionais de treino de visão computacional, que consistem em ocultar partes de uma imagem para que o sistema as reconstrua, falharam por completo devido à semelhança morfológica das crateras. A solução passou por dividir a Lua em secções geográficas distintas, garantindo que os dados de teste e de treino fossem completamente independentes.

Além do modelo em si, a parceria disponibilizou um conjunto de dados públicos, recolhidos por missões como a Lunar Reconnaissance Orbiter da NASA e a SELENE do Japão. Esta organização de dados georreferenciados permitirá que cientistas de todo os cantos do mundo criem os seus próprios sistemas.

Leia também: