Pesquisa Científica: NASA e IBM lançam modelo de fundação de IA para ciência lunar

quinta-feira, 10 de setembro de 2026

NASA e IBM lançam modelo de fundação de IA para ciência lunar

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).