NASA e IBM Lançam Modelo Fundacional de IA Multimodal para Exploração Lunar

A NASA e a IBM anunciaram a disponibilização em código aberto do NASA-IBM Lunar Foundation Model, o primeiro modelo de inteligência artificial projetado para integrar observações lunares capturadas em diferentes modalidades, ângulos de visão e escalas espaciais. Desenvolvido para apoiar o programa Artemis, o modelo harmoniza décadas de dados coletados por missões dos Estados Unidos e do Japão, fornecendo uma ferramenta computacional robusta para a navegação de astronautas, investigação de fluxos de lava e prospecção de gelo. O objetivo estrutural é preparar o terreno para o estabelecimento de uma base lunar de longo prazo e futuras missões tripuladas a Marte.

O Desafio da Integração de Dados e das Condições Lunares

Cientistas planetários enfrentam o desafio histórico de manipular grandes volumes de dados multissensoriais em escalas drasticamente variadas, como o campo gravitacional mapeado pela missão GRAIL (20 quilômetros por pixel) contrastando com as imagens de alta resolução do Lunar Reconnaissance Orbiter (1 metro por pixel). Além da disparidade nas resoluções, a ausência de uma atmosfera espessa e o ciclo de iluminação da Lua — que alterna entre duas semanas contínuas de luz solar e duas de escuridão — criam sombras longas e distorções visuais severas. Essas condições dificultam a interpretação de dados térmicos, onde as temperaturas oscilam violentamente de 121°C sob luz solar direta para -246°C nas crateras sombreadas. Até o momento, simulações tradicionais para aumentar a resolução desses mapas térmicos e visuais exigiam tempo e recursos computacionais maciços, limitando a velocidade de análise para a seleção de locais de pouso.

Arquitetura Baseada no TerraMind e Otimização via LoRAs

Para unificar essas medições divergentes, a engenharia de software da IBM e da NASA adaptou uma versão do TerraMind, um modelo de observação da Terra originalmente desenvolvido em parceria com a Agência Espacial Europeia (ESA). O sistema é capaz de aprender correlações intermodais para preencher valores ausentes ou ruidosos em sensores. Sob uma abordagem de ajuste fino, os pesquisadores aplicaram adaptadores de baixa classificação (LoRAs), técnica que permitiu treinar o sistema mantendo 90% dos pesos do modelo base congelados. Apesar dessa abordagem de baixo custo computacional, o desempenho superou arquiteturas tradicionais: na identificação de crateras polares com potencial para conter gelo, o modelo reduziu a taxa de erro em 22% em comparação a um modelo transformer SwinV2 de última geração. Na detecção de crateras em resoluções mais grossas (100 metros por pixel), a precisão foi quase 19% superior ao modelo equivalente, utilizando apenas metade dos dados de treinamento.

“O próximo avanço lunar poderá não vir de um único novo instrumento, mas de algoritmos que permitam que muitos instrumentos — e, eventualmente, paradigmas de computação — trabalhem juntos.”

Impacto Científico e o Futuro da Computação Híbrida

A capacidade do modelo de isolar rapidamente locais promissores otimizará a prospecção das mais de 600 milhões de toneladas métricas de água congelada estimadas nos polos lunares, recursos essenciais para a produção local de água potável, oxigênio e combustível. No campo da geologia planetária, a IA obteve uma precisão 3% superior na delimitação de manchas irregulares de mare (IMPs), formações vulcânicas cuja idade exata ainda é objeto de debate científico. O lançamento deste modelo também sinaliza uma transição no fluxo de trabalho de computação científica de alto desempenho. A longo prazo, a integração da inteligência artificial organizará observações e gerará aproximações rápidas, enquanto supercomputadores clássicos processam as cargas de trabalho principais, pavimentando o caminho para que processadores quânticos assumam os problemas de simulação e otimização mais complexos.