NASA e IBM lançam IA gratuita que detecta gelo de água na Lua com 22% mais de precisão

Encontrar gelo de água na Lua é um dos problemas mais difíceis da ciência planetária. O gelo não está distribuído uniformemente, ele se esconde em crateras permanentemente sombreadas nos polos, e identificá-lo a partir da órbita exige distinguir sinais espectrais fracos do ruído dos instrumentos. O Lunar Foundation Model da IBM e da NASA foi projetado especificamente para esse problema.

O Lunar Foundation Model é uma IA de código aberto treinada com mais de dois milhões de imagens de cinco espaçonaves em órbita lunar: o Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya e outras. Ele está disponível no Hugging Face e no GitHub por meio do framework geoespacial TerraTorch da IBM, sem custo algum.

Em testes de benchmark, o modelo identifica depósitos de gelo de água com 22% mais precisão do que os métodos anteriores. Ele também encontra crateras lunares com 19% mais exatidão. Notavelmente, ele atinge esse desempenho usando metade dos dados de treinamento rotulados que modelos comparáveis exigem — uma característica importante para a ciência lunar, onde conjuntos de dados rotulados são caros de produzir.

Leitura recomendadaUma IA escreveu um zero-day funcional e o Google interceptou antes do ataque

O valor prático está no mapeamento de recursos para o programa Artemis. A NASA planeja estabelecer uma presença humana sustentada perto do polo sul lunar, onde o gelo de água pode ser convertido em água potável, oxigênio e propelente de foguetes. Saber onde o gelo realmente está e quanto existe molda diretamente a seleção de locais de pouso e o planejamento de infraestrutura.

O modelo é lançado sob uma licença aberta porque tanto a IBM quanto a NASA contribuem com ele a partir de pesquisas financiadas publicamente. Disponibilizá-lo gratuitamente significa que cientistas em universidades, agências espaciais e empresas privadas podem usá-lo, avaliá-lo e aprimorá-lo sem atritos de licenciamento. O TerraTorch, o framework da IBM no qual ele é executado, lida com o pipeline de dados geoespaciais subjacente.

O número de melhoria de 22% é um resultado de benchmark — uma comparação contra outros modelos em um conjunto de dados de teste padronizado, não uma medição de uma missão operacional ao vivo. Se o Lunar Foundation Model melhorará a tomada de decisões reais de missão depende de quão bem as condições de benchmark refletem os dados reais de observação lunar, que variam com a geometria orbital, calibração de instrumentos e ângulos de iluminação solar. Validação independente por grupos não afiliados à IBM ou à NASA ainda não foi publicada.

O Lunar Foundation Model está disponível no Hugging Face e no GitHub. A IBM e a NASA não definiram um cronograma para integrar o modelo ao planejamento ativo da missão Artemis.

Tags: inteligência artificial, nasa, IBM, exploração lunar, IA código aberto, Lunar Foundation Model

Conteúdo similar

S.T.A.L.K.E.R. 2: Cost of Hope recebe 85 no Metacritic e supera a nota do jogo base

O drone autônomo com Starlink que transforma o despacho de emergência em decisão algorítmica

2 milhões de tokens: por que o Google teve que reconstruir o Gemini 3.5 Pro do zero

Uma falha de login deixou 70 milhões de sites cPanel abertos a qualquer um

Torchlight: Infinite lança a 12ª temporada três meses depois do seu recorde histórico de jogadores

Flock aperta as regras de seus leitores de placas — depois dos cancelamentos, não antes