Victor Bianchin
RedatorVictor Bianchin é jornalista.
Ao longo de 17 anos, a Lunar Reconnaissance Orbiter fotografou e mediu a Lua até construir um dos arquivos mais detalhados que existem sobre sua superfície. A NASA afirma que a missão gerou um volume de dados maior que o de todas as suas outras missões planetárias combinadas, com uma cobertura que permite observar boa parte do terreno lunar em alta resolução. O problema já não é apenas obter informações, mas processá-las com rapidez suficiente para extrair padrões úteis. E essa tarefa ganha importância enquanto a agência prepara o retorno de astronautas à superfície lunar.
Para aproveitar melhor esse material, a NASA e a IBM, junto com várias instituições acadêmicas, desenvolveram o NASA-IBM Lunar Foundation Model, um modelo de inteligência artificial especializado em ciência lunar e treinado principalmente com observações da Lunar Reconnaissance Orbiter. A ferramenta foi publicada como código aberto e pode ser adaptada a tarefas específicas, desde o mapeamento de crateras até o estudo de regiões polares ou determinadas estruturas vulcânicas. A ideia não é substituir a análise científica, mas acelerar uma parte do trabalho que, com modelos tradicionais, exige desenvolver e treinar sistemas especializados para cada tarefa.
Uma IA treinada com a Lua
O segredo está em como o modelo foi treinado. Um modelo fundacional aprende primeiro padrões gerais a partir de grandes quantidades de dados, sem a necessidade de que cada imagem esteja etiquetada para uma tarefa específica. Neste caso, o sistema processou cerca de dois milhões de mosaicos provenientes principalmente da LRO: mais de um milhão de imagens de alta resolução, de aproximadamente um metro por pixel, e quase 964 mil observações multiespectrais, de cerca de 100 metros por pixel. O treinamento também incorporou informações de outras missões lunares, entre elas GRAIL, Lunar Prospector e a japonesa Kaguya.
Um de seus usos mais interessantes está nos polos lunares, onde algumas áreas permanecem sempre na sombra e podem conservar gelo durante bilhões de anos. Isso não significa, porém, que o sistema detecte água congelada diretamente. O que ele faz é estimar a chamada prospectividade de gelo, ou seja, indicar quais locais reúnem condições mais favoráveis para que ele possa existir e permanecer estável, tanto na superfície quanto abaixo dela.
Saber onde vale a pena procurar esse gelo é importante por dois motivos. Do ponto de vista científico, estudá-lo pode fornecer pistas sobre a história da Lua e sobre como determinados elementos voláteis chegaram e foram preservados ali. Para futuras expedições, além disso, a água poderia se tornar um recurso local: servir para consumo e, se processada, fornecer hidrogênio e oxigênio com possíveis usos no suporte à vida ou como propelentes. Esse interesse ganha especial importância enquanto a NASA prepara novas missões tripuladas ao ambiente lunar, embora o modelo não tenha sido apresentado como uma ferramenta criada especificamente para o programa Artemis.
As crateras oferecem outra aplicação especialmente útil porque cada uma é a marca de um impacto — contá-las e medi-las ajuda a reconstruir a idade relativa de diferentes áreas da superfície e parte da história do Sistema Solar. A NASA testou o modelo com imagens obtidas antes e depois do impacto de um corpo de foguete da SpaceX perto da cratera Einstein e conseguiu destacar a nova cratera junto a outras já existentes. A imagem posterior ao impacto não fez parte do pré-treinamento, de modo que o experimento mostra como o sistema pode ser ajustado posteriormente para reconhecer mudanças que inicialmente não havia identificado.
A ferramenta também pode ajudar a localizar as chamadas “irregular mare patches”, pequenas estruturas vulcânicas cuja aparência parece anormalmente jovem para o que se esperava da Lua. Algumas parecem ter se formado muito depois da grande fase de atividade vulcânica do satélite, o que levou os cientistas a revisar quando esse processo realmente terminou. Identificá-las e mapeá-las com maior rapidez permite ampliar o número de regiões estudadas e comparar melhor suas características, fornecendo mais uma peça para reconstruir como o interior lunar foi esfriando e evoluindo.
Os resultados não são iguais em todas as tarefas. A NASA afirma que o modelo igualou ou superou vários sistemas de referência, com sua vantagem mais clara na estimativa de prospectividade de gelo, enquanto, em crateras e estruturas vulcânicas, as diferenças foram menores. Ele também não foi validado para certificar áreas de pouso nem para eliminar riscos operacionais. Seu valor está em outro lugar: oferecer aos cientistas uma base aberta e reutilizável com a qual possam analisar mais rapidamente um arquivo lunar que não para de crescer e formular perguntas melhores sobre a superfície.
Imagem de capa | NASA (1, 2) + Nano Banana
Este texto foi traduzido/adaptado do site Xataka Espanha.
Ver 0 Comentários