NASA e IBM desenvolvem inteligência artificial para localizar gelo em crateras lunares antes da missão de retorno à Lua

A NASA e IBM desenvolvem IA para otimizar pesquisa lunar.

Após 17 anos de exploração, a Lunar Reconnaissance Orbiter (LRO) da NASA acumulou um dos arquivos mais abrangentes sobre a superfície lunar. A missão gerou um volume de dados que supera o total de todas as outras missões planetárias da agência, proporcionando uma cobertura detalhada do terreno lunar em alta resolução. O desafio atual não é apenas coletar informações, mas processá-las rapidamente para identificar padrões relevantes, especialmente com o objetivo de retornar astronautas à Lua.

Para maximizar o uso desses dados, a NASA, em parceria com a IBM e diversas instituições acadêmicas, criou o NASA-IBM Lunar Foundation Model. Este modelo de inteligência artificial, especializado em ciência lunar, foi treinado principalmente com dados da LRO e disponibilizado como código aberto. A ferramenta pode ser adaptada para diversas tarefas, como o mapeamento de crateras e o estudo de regiões polares, com o intuito de acelerar processos que, tradicionalmente, exigiriam sistemas especializados para cada função.

O modelo foi desenvolvido com base em um treinamento que abrangeu padrões gerais a partir de grandes volumes de dados, sem a necessidade de etiquetagem específica para cada imagem. O sistema analisou cerca de dois milhões de mosaicos, incluindo mais de um milhão de imagens de alta resolução e quase 964 mil observações multiespectrais. Informações de outras missões lunares também foram incorporadas, enriquecendo ainda mais o treinamento.

Uma das aplicações mais promissoras do modelo se dá nas regiões polares da Lua, onde áreas permanecem na sombra e podem abrigar gelo por bilhões de anos. Embora o sistema não detecte água congelada diretamente, ele estima a “prospectividade de gelo”, indicando locais com condições favoráveis para a sua existência e estabilidade, tanto na superfície quanto abaixo dela.

A identificação de locais propícios para a pesquisa de gelo é crucial. Cientificamente, o estudo do gelo pode revelar informações sobre a história da Lua e a preservação de elementos voláteis. Para futuras missões, a água pode se tornar um recurso valioso, servindo para consumo e, após processamento, fornecendo hidrogênio e oxigênio, essenciais para a sustentação da vida e como propelentes. Esse aspecto é especialmente relevante com os planos da NASA para novas missões tripuladas à Lua.

As crateras também representam uma aplicação significativa do modelo, uma vez que cada uma delas marca um impacto. A contagem e medição dessas crateras permitem reconstruir a idade relativa de diferentes áreas da superfície lunar e parte da história do Sistema Solar. A NASA já testou o modelo com imagens de um impacto recente próximo à cratera Einstein, demonstrando sua capacidade de identificar novas crateras ao lado de outras existentes.

A ferramenta também é útil para localizar as chamadas “irregular mare patches”, estruturas vulcânicas que parecem mais jovens do que o esperado. A identificação e mapeamento dessas áreas possibilitam uma análise mais abrangente das características da superfície lunar, contribuindo para entender melhor a evolução do interior da Lua.

Os resultados do modelo variam conforme a tarefa. A NASA constatou que ele igualou ou superou diversos sistemas de referência, especialmente na estimativa de prospectividade de gelo. No entanto, as diferenças em relação à identificação de crateras e estruturas vulcânicas foram menores. O modelo ainda não foi validado para certificar áreas de pouso ou eliminar riscos operacionais, mas oferece uma base aberta e reutilizável que permite aos cientistas analisar rapidamente um arquivo lunar em constante crescimento e formular perguntas mais precisas sobre a superfície lunar.