Caro(a) Leitor(a),
Mosaico de 10 imagens capturadas pela Câmera de Ângulo Estreito
(NAC) do Orbitador de Reconhecimento Lunar da NASA entre junho de 2012 e abril
de 2016, mostrando a formação vulcânica Mons Rümker e as planícies lunares
circundantes.
NASA/GSFC/Universidade Estadual do Arizona
A NASA está aplicando
inteligência artificial ao estudo da Lua, ajudando pesquisadores a transformar
a maneira 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
construídos especificamente para a ciência lunar. O modelo, treinado
principalmente com dados da sonda Lunar Reconnaissance Orbiter (LRO) da NASA,
está hospedado publicamente no Hugging Face para uso de qualquer pessoa,
com o código-fonte completo disponível no GitHub para testes e experimentação.
O Modelo de Fundação Lunar NASA-IBM apoia a próxima
geração da ciência lunar, ajudando os pesquisadores a analisar rapidamente
grandes quantidades de dados para melhor compreender 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, compreender seu passado geológico e planejar futuras
pesquisas lunares.
“A NASA passou décadas construindo um registro científico
extraordinário da Lua, mas coletar dados é apenas parte do trabalho”, disse
Kevin Murphy, diretor de dados científicos e diretor interino de dados e IA na
sede da NASA em Washington. “Também precisamos facilitar a exploração e o uso
dos dados pelos cientistas. O Modelo de Fundação Lunar NASA-IBM mostra o que é
possível quando aplicamos IA aos petabytes de dados científicos da NASA. Essa é
uma oportunidade real que vemos com a IA: transformar dados em larga escala em
novas descobertas.”
Ao contrário dos modelos tradicionais que exigem a construção
e o treinamento de algoritmos especializados do zero para tarefas específicas,
os modelos de base são pré-treinados em vastos conjuntos de dados não
rotulados. O amplo conhecimento que adquirem por meio do pré-treinamento
permite que generalizem em múltiplos domínios científicos através de ajustes
rápidos, tornando os modelos de base versáteis e eficientes na aceleração da
pesquisa científica.
O Modelo de Fundação Lunar NASA-IBM mostra o que é possível
quando aplicamos IA aos petabytes de dados científicos da NASA.
Kevin
Murphy
Diretor de Dados Científicos da
NASA e Diretor Interino de Dados/Diretor de IA
Os dados coletados pela LRO da
NASA nos últimos 17 anos foram ideais para treinar este modelo fundamental,
pois cobrem a maior parte da superfície lunar em detalhes. Os dados produzidos
pela missão LRO são maiores do que os de 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
mosaicos de imagens desse conjunto de dados, compreendendo mais de 1 milhão de
imagens de câmeras de alta resolução com resolução de 1 metro e quase 964.000
imagens multiespectrais com resolução de 100 metros. O modelo também foi
treinado com imagens lunares de alta resolução e dados de terreno de várias
outras missões, como a
GRAIL (Gravity Recovery and
Interior Laboratory) da NASA, a Lunar Prospector da
NASA e o Selenological and Engineering Explorer da JAXA (Agência de Exploração
Aeroespacial do Japão).
Como o modelo base já está pré-treinado com esse conjunto
de dados, os cientistas planetários podem adaptá-lo a diversas tarefas de
pesquisa lunar, como mapear crateras, identificar formações vulcânicas recentes
e estimar onde pode haver gelo próximo aos polos lunares, usando apenas
pequenas quantidades de dados rotulados. Para pesquisadores que estudam o gelo
polar da Lua, o modelo da NASA-IBM pode ajudá-los a estimar onde as áreas de
gelo provavelmente serão estáveis, tanto na superfície quanto abaixo dela.
Áreas escuras, como as regiões permanentemente sombreadas da Lua, permanecem
frias o suficiente para aprisionar e preservar gelo por bilhões de anos. O
estudo dessas áreas oferece informações sobre a história da Lua e apresenta uma
oportunidade para mapear recursos potencialmente utilizáveis para a futura
exploração espacial.
O modelo NASA-IBM reproduz padrões de potencial de gelo lunar
(em escala de azul a amarelo), mostrados em quatro locais (à esquerda) próximos
ao polo lunar. Linha superior: mapa de referência de potencial de gelo do Mons
Mouton, próximo ao polo sul lunar; linha do meio: previsões do modelo ConvNeXt;
linha inferior: previsões do modelo NASA-IBM. O modelo NASA-IBM preserva muitos
padrões de potencial em escala fina presentes nos dados de referência.
Pesquisa NASA/IBM
Embora se acredite 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 da
NASA-IBM acelera a identificação de formações vulcânicas incomuns, conhecidas
como manchas irregulares de mares lunares. Como essas estruturas parecem
relativamente jovens, elas desafiam as cronologias estabelecidas para o
resfriamento lunar, e seu mapeamento pode ajudar os cientistas a obter uma
compreensão mais precisa da evolução térmica da Lua.
O modelo também consegue mapear características da
superfície, como crateras, de forma mais eficiente do que os métodos manuais.
Cada cratera é formada por um impacto, tornando a contagem e a medição de
crateras essenciais para datar a superfície lunar e reconstruir a história do
sistema solar. O modelo fundamental ajuda a acelerar o processo de
identificação e medição de crateras, permitindo que os cientistas se concentrem
na interpretação das descobertas e na determinação de suas implicações para a
exploração.
Estas imagens da sonda Lunar Reconnaissance Orbiter mostram a
superfície da Lua perto da cratera Einstein antes (esquerda) e depois (direita)
do impacto de um foguete da SpaceX. O Modelo de Fundação Lunar NASA-IBM
detectou crateras preexistentes (contornos azuis) e destacou a cratera de
impacto recém-formada (caixa vermelha). Como a imagem pós-impacto foi excluída
do pré-treinamento, este teste demonstra como o modelo pode ser ajustado para
reconhecer novas mudanças na superfície entre observações. Essa abordagem pode
ajudar os cientistas a detectar automaticamente impactos naturais e mudanças na
superfície em vastos conjuntos de dados lunares, embora as variações nas
condições de iluminação entre as órbitas possam influenciar a visibilidade de
crateras menores.
Pesquisa NASA/IBM
De forma 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 nos mares lunares, ao mesmo
tempo que demonstrou uma clara vantagem na estimativa da estabilidade do gelo
polar.
O Modelo de Fundação Lunar NASA-IBM faz parte da
estratégia do Escritório do Diretor de Dados Científicos da agência para IA
aplicada à ciência — uma colaboração mais ampla e contínua entre a NASA e a
IBM, com o objetivo de usar IA avançada para explorar nosso planeta e sistema
solar. Ele se junta a uma crescente coleção de modelos de IA desenvolvidos por
meio dessa parceria, incluindo:
- Os Modelos Prithvi: uma família de modelos
pré-treinados com dados de observação da Terra e projetados para dar
suporte a aplicações como monitoramento de desastres, mapeamento de
inundações, 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 elétricas e operações de satélites.
Dentro da NASA, a equipe Impact AI do Centro de Voos Espaciais
Marshall da agência em Huntsville, Alabama, colaborou com cientistas da Divisão
de Ciências Planetárias da Diretoria de Missões Científicas da agência, do
Centro de Voos Espaciais Goddard da NASA em Greenbelt, Maryland, e do Centro de
Pesquisa Ames da NASA no Vale do Silício, Califórnia, para construir o modelo
NASA-IBM. O modelo é um exemplo de ciência aberta em ação, unindo especialistas
da NASA, da indústria e da academia para transformar dados brutos em um recurso
para a descoberta lunar. Para apoiar a comunidade de pesquisa global, a equipe
lançou conjuntos de dados abrangentes de pré-treinamento prontos para
aprendizado de máquina e coleções de referência juntamente com o modelo, que
está integrado ao kit de ferramentas de código aberto TerraTorch. Apoiado por
um artigo complementar disponível no Hugging Face , este lançamento aberto garante pesquisa
reproduzível 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 Instituto SETI no Vale do Silício, Califórnia; da Universidade de
Maryland, Condado de Baltimore, em Catonsville, Maryland; da Universidade
Howard em Washington, DC; da Divisão de Ciências Planetárias da Diretoria de
Missões Científicas da NASA; do Centro de Pesquisa Ames da NASA; e do Centro de
Pesquisa Goddard da NASA.
Para obter mais informações sobre a estratégia da NASA
para o desenvolvimento de modelos fundamentais para a ciência, visite:
https://science.nasa.gov/artificial-intelligence-science
Obrigado pela sua visita e volte sempre!
Para saber mais, acesse o link para continuar a leitura, pois têm mais conteúdos para aprendizagem.
Fonte / Créditos: NASA / Rachel Wyatt / Publicação 10/09/2026
https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
__________________________________
No "New Space Economy" você vai acompanhar os conteúdos relacionados a Nova Economia Espacial, "a Space Economy". Editei este Blog movido por uma convicção simples: as decisões de negócios mais importantes da próxima década serão influenciadas, direta ou indiretamente, pelo que está acontecendo a 400 quilômetros acima de nossas cabeças. O espaço já é a infraestrutura crítica da economia global. A economia espacial moderna sustenta quase todos os pilares da vida moderna na Terra O New Space Economy é o seu terminal de dados para o que acontece acima da nossa atmosfera, agora traduzido para o idioma dos negócios. Acesse aqui: https://newspaceeconomy.blogspot.com/
__________________________________
Web Science Academy; Hélio R.M.Cabral (Economista, Escritor eDivulgador de conteúdos de Economia, Astronomia, Astrofísica, Astrobiologia Climatologia). Participou do curso Astrofísica Geral no nível Georges Lemaître (EAD), concluído em 2020, pela Universidade Federal de Santa Catarina (UFSC).
Em outubro de 2014, ingressou no projeto S'Cool Ground Observation, que integra o Projeto CERES (Clouds and Earth’s Radiant Energy System) administrado pela NASA. Posteriormente, em setembro de 2016, passou a participar do The Globe Program / NASA Globe Cloud, um programa mundial de ciência e educação com foco no monitoramento do clima terrestre.
>Autor de cinco livros, que estão sendo vendidos nas livrarias Amazon, Book Mundo e outras
Orion Book: https://www.orionbook.com.br/
The Space Store: https://thespacestore.com/?ref=mwoscsnr
Air Models: https://airmodels.net/?aff=HELIORICARDOMORAESCABRAL
Astro Shop: https://www.astroshop.pt/affiliate/links?active_shop=4000
Astro Shop: https://www.omegon.eu/pt/?affiliate_id=HelioEcono
Amazon: https://link.amazon/B0boppSBQ
Shein: https://br.shein.com/?aff_id=6450526705&invite_code=T2P8C
Mercado Livre: https://www.mercadolivre.com.br/social/hc20260704131057
Shopee: https://s.shopee.com.br/3g2Dq9CLaX
Page: https://econo-economia.blogspot.com
Page: https://newspaceeconomy.blogspot.com/
