Nova IA lunar reduz em 22% o erro num mapa de condições favoráveis ao gelo

Como reunir fotografias, relevo, temperatura, radar e composição química da Lua sem construir um algoritmo novo para cada pergunta? NASA e IBM lançaram um modelo de base — um sistema pré-treinado que aprende representações reutilizáveis — para que equipes possam adaptá-lo a tarefas como mapear crateras, pequenas feições vulcânicas ou condições favoráveis à conservação de gelo. O modelo, os dados preparados e o código foram abertos para teste.

O treinamento usou 963.609 conjuntos ancorados nas imagens multiespectrais da câmera grande-angular do Lunar Reconnaissance Orbiter, com resolução próxima de 100 metros por pixel, e 1.000.113 conjuntos ancorados nas imagens da câmera de ângulo estreito, próximas de 1 metro por pixel. Cada conjunto reúne produtos registrados sobre a mesma área. Ao todo, o sistema recebeu 11 modalidades, entre imagens, terreno e contexto de outros instrumentos, além dos ângulos de iluminação que mudam fortemente a aparência do solo lunar.

Depois do pré-treinamento, os pesquisadores adaptaram o mesmo codificador visual a quatro testes: detectar crateras nas duas escalas, segmentar pequenas manchas vulcânicas chamadas irregular mare patches e reproduzir um mapa de prospectividade de gelo polar. Dados, divisões, transformações e métricas foram mantidos iguais para o modelo lunar e para arquiteturas de referência. As médias vieram de cinco sementes de treinamento, o que permite enxergar quanto o resultado varia apenas pela inicialização.

A maior diferença apareceu no mapa polar. A raiz do erro quadrático médio, uma medida que penaliza desvios maiores e na qual valores menores são melhores, caiu de 0,0377 ± 0,0004 no melhor modelo de referência para 0,0293 ± 0,0013 no modelo lunar: redução relativa de cerca de 22%. O alvo, porém, era um mapa calculado a partir de indícios ambientais, não gelo observado. Na detecção de crateras de escala larga com metade dos dados rotulados, a precisão média agregada subiu de 0,2313 ± 0,0027 para 0,2541 ± 0,0018. Nos testes de crateras métricas e de manchas vulcânicas, os líderes foram considerados comparáveis porque as diferenças ficaram menores que a variação entre sementes.

Duas escolhas ajudam a explicar a transferência entre tarefas. O sistema recebe a geometria de iluminação como informação explícita, em vez de confundir sombra com propriedade do terreno. Ele também preserva entradas de resoluções diferentes em blocos próprios antes de combinar seus sinais. No teste polar, parte da vantagem já apareceu nessa forma de organizar as modalidades; o pré-treinamento lunar respondeu pelo ganho restante. Os autores ainda não isolaram experimentalmente todas as contribuições da arquitetura.

O lançamento entrega uma ferramenta para comparar hipóteses e acelerar a triagem de grandes arquivos, não um cartógrafo autônomo pronto para decisões de missão. O modelo não mantém uma referência geodésica absoluta, foi treinado com cobertura de alta resolução limitada a certos locais e não foi validado para certificar pousos ou liberar trajetórias. Seu valor científico dependerá de equipes externas reproduzirem os testes e verificarem, com instrumentos e novos rótulos, se os ganhos sobrevivem fora dos quatro bancos avaliados.