Nesta matéria
A NASA está trazendo a inteligência artificial para o estudo da Lua, ajudando pesquisadores a transformar a forma como analisam a superfície lunar. Em uma colaboração contínua com a IBM Research e diversas instituições acadêmicas, a NASA lançou o Modelo de Fundação Lunar NASA-IBM, um dos primeiros modelos de IA de código aberto criados especificamente para a ciência lunar. O modelo, treinado principalmente com dados do Lunar Reconnaissance Orbiter (LRO) da NASA, está hospedado publicamente no Hugging Face para uso de qualquer pessoa, com a base de código completa disponível no GitHub para testes e experimentação.
O Modelo de Fundação Lunar NASA-IBM apoia a próxima geração da ciência lunar ao ajudar pesquisadores a analisar rapidamente grandes quantidades de dados para compreender melhor a superfície da Lua. Usando o modelo como ferramenta de mapeamento, os pesquisadores podem desenvolver rapidamente estratégias práticas para avaliar a superfície acidentada da Lua, entender seu passado geológico e planejar futuras pesquisas lunares.
“A NASA passou décadas construindo um extraordinário registro científico da Lua, mas coletar dados é apenas parte do trabalho”, disse Kevin Murphy, diretor-chefe de dados científicos e diretor interino de dados e IA na Sede da NASA em Washington. “Também precisamos tornar os dados mais fáceis de explorar e usar pelos cientistas. O Modelo de Fundação Lunar NASA-IBM mostra o que é possível quando trazemos a IA para os petabytes de dados científicos da NASA. Essa é uma oportunidade real que vemos com a IA: transformar dados em grande escala em novas descobertas.”
Diferentemente dos modelos tradicionais, que exigem a construção e o treinamento de algoritmos especializados do zero para tarefas específicas, os modelos de fundação são pré-treinados em conjuntos de dados vastos e não rotulados. O amplo conhecimento que adquirem por meio do pré-treinamento permite que se generalizem para múltiplos domínios científicos por meio de um ajuste fino rápido, tornando os modelos de fundação versáteis e eficientes para acelerar a pesquisa científica.
O Modelo de Fundação Lunar NASA-IBM mostra o que é possível quando trazemos a IA para os petabytes de dados científicos da NASA.
Kevin Murphy
Diretor-Chefe de Dados Científicos e Diretor Interino de Dados/Diretor de IA da NASA
Os dados coletados pelo LRO da NASA ao longo dos últimos 17 anos foram bem adequados para o treinamento deste modelo de fundação porque cobrem, em detalhes, a maior parte da superfície lunar. Os dados produzidos pela missão LRO são maiores do que todas as outras missões planetárias da NASA combinadas, capturando um mosaico quase contínuo e de alta resolução de toda a Lua. O modelo NASA-IBM foi treinado com aproximadamente 2 milhões de recortes de imagem desse conjunto de dados, compreendendo mais de 1 milhão de imagens de câmera de alta resolução a 1 metro de resolução e cerca de 964,000 imagens multiespectrais a 100 metros de resolução. O modelo também foi treinado com imagens de alta resolução da Lua e dados de terreno de várias outras missões, como a GRAIL (Gravity Recovery and Interior Laboratory) da NASA, a Lunar Prospector da NASA, e a sonda Selenological and Engineering Explorer da JAXA (Agência de Exploração Aeroespacial do Japão).
Como o modelo de fundação já é pré-treinado nesse conjunto de dados, os cientistas planetários podem adaptá-lo a muitas tarefas diferentes de pesquisa lunar, como mapear crateras, identificar feições vulcânicas jovens e estimar onde pode haver gelo perto dos polos lunares, usando apenas pequenas quantidades de dados rotulados. Para os pesquisadores que estudam o gelo polar da Lua, o modelo NASA-IBM pode ajudá-los a estimar onde é provável que existam bolsões de gelo estáveis, na superfície e abaixo dela. Áreas escuras, como as regiões permanentemente sombreadas da Lua, permanecem frias o suficiente para reter e preservar gelo por até bilhões de anos. Estudar essas áreas oferece uma visão sobre a história da Lua e apresenta uma oportunidade de mapear recursos potencialmente utilizáveis para futuras explorações espaciais.
Embora se pense que a Lua não seja mais vulcanicamente ativa, ela já passou por processos geológicos dinâmicos. Para os pesquisadores que estudam o vulcanismo lunar, o modelo NASA-IBM acelera a identificação de feições vulcânicas de aparência incomum conhecidas como manchas irregulares de mare. Como essas estruturas parecem relativamente jovens, elas desafiam as cronologias estabelecidas para o resfriamento lunar, e mapeá-las pode ajudar os cientistas a montar uma compreensão mais precisa da evolução térmica da Lua.
O modelo também consegue mapear feições da superfície, como crateras, de forma mais eficiente do que os métodos manuais. Toda cratera é formada por um impacto, o que torna a contagem e a medição de crateras essenciais para datar a superfície lunar e reconstruir a história do sistema solar. O modelo de fundação ajuda a acelerar o processo de identificação e medição de crateras, permitindo que os cientistas se concentrem em interpretar os resultados e determinar suas implicações para a exploração.
No geral, o modelo igualou ou superou o desempenho de vários outros modelos de referência robustos em todas as tarefas avaliadas, alcançando resultados comparáveis no mapeamento de crateras e na segmentação de manchas irregulares de mare, ao mesmo tempo em que demonstrou uma vantagem clara na estimativa da estabilidade do gelo polar.
O Modelo de Fundação Lunar NASA-IBM faz parte da estratégia do Escritório do Diretor-Chefe de Dados Científicos da agência para a IA voltada à ciência , uma colaboração maior e contínua entre a NASA e a IBM voltada ao uso de IA avançada para explorar nosso planeta e o sistema solar. Ele se junta a uma coleção crescente de modelos de IA desenvolvidos por meio dessa parceria, incluindo:
- Os Modelos Prithvi: uma família de modelos pré-treinados em dados de observação da Terra, projetados para dar suporte a aplicações como monitoramento de desastres, mapeamento de enchentes, previsão de safras agrícolas e previsão de furacões.
- O Modelo Surya: um modelo de heliofísica treinado com dados de observação solar de alta resolução para prever fenômenos climáticos espaciais, como erupções solares, que podem interromper redes de energia e operações de satélites.
Dentro da NASA, a equipe Impact AI do Centro Marshall de Voos Espaciais da agência, em Huntsville, Alabama, colaborou com cientistas da Divisão de Ciência Planetária da Diretoria de Missões Científicas da agência, do Centro Goddard de Voos Espaciais da NASA em Greenbelt, Maryland, e do Centro de Pesquisa Ames da NASA no Vale do Silício, na Califórnia, para construir o modelo NASA-IBM. O modelo é um exemplo de ciência aberta em ação, unindo especialistas da NASA, da indústria e do meio acadêmico para transformar dados brutos em um recurso para a descoberta lunar. Para apoiar a comunidade de pesquisa global, a equipe divulgou conjuntos de dados de pré-treinamento abrangentes, prontos para aprendizado de máquina, e coleções de referência (benchmark) junto com o modelo, que está integrado ao kit de ferramentas de código aberto TerraTorch. Apoiado por um artigo complementar disponível no Hugging Face, esse lançamento aberto garante pesquisa reprodutível e capacita cientistas em todo o mundo a construir, comparar e refinar modelos de IA para o futuro da exploração lunar.
A equipe científica, reunida pela Sede da NASA, incluiu especialistas da Universities Space Research Association em Huntsville, Alabama; do SETI Institute no Vale do Silício, Califórnia; da University of Maryland, Baltimore County, em Catonsville, Maryland; da Howard University em Washington, D.C.; da Divisão de Ciência Planetária da Diretoria de Missões Científicas da NASA; do Centro Ames da NASA; e do Centro Goddard da NASA.
Para mais informações sobre a estratégia da NASA de desenvolver modelos de fundação para a ciência, visite:
https://science.nasa.gov/artificial-intelligence-science
Fonte original: science.nasa.gov
