Durante décadas, sondas espaciais fotografaram, mapearam e mediram a Lua de praticamente todas as formas possíveis. O problema é que cada nova missão aumenta uma montanha de dados que os humanos dificilmente conseguem analisar por completo. Agora, uma nova ferramenta está tentando transformar esse arquivo gigantesco em algo mais útil: um mapa inteligente capaz de encontrar padrões, estruturas e lugares que podem esconder pistas importantes.
A Lua deixou um arquivo gigantesco para trás
Cada missão enviada à Lua acrescenta novas informações sobre o nosso satélite. São imagens de alta resolução, mapas topográficos, medições espectrais, dados gravitacionais e observações feitas sob diferentes condições de iluminação.
O volume é enorme.
Para tentar aproveitar melhor esse material, NASA e IBM desenvolveram o NASA-IBM Lunar Foundation Model, um modelo de inteligência artificial criado especificamente para trabalhar com dados de sensoriamento remoto lunar.
Grande parte do treinamento veio de observações produzidas pela Lunar Reconnaissance Orbiter (LRO), missão da NASA que há anos acompanha e mapeia a superfície lunar.
O conjunto utilizado no treinamento reúne aproximadamente 2 milhões de blocos de imagens, incluindo mais de 1 milhão de imagens de alta resolução e quase outro milhão de observações multiespectrais.
Mas o verdadeiro diferencial está no fato de que a IA não recebeu apenas fotografias.
Ela foi construída para relacionar diferentes tipos de informação sobre os mesmos lugares.
Uma única região pode ser vista de dezenas de maneiras
NASA e IBM combinaram dados de diferentes missões e instrumentos, incluindo LRO, GRAIL, Lunar Prospector e a missão japonesa SELENE/Kaguya.
Ao todo, o modelo trabalha com mais de 30 camadas de informações espacialmente alinhadas, provenientes de nove instrumentos e quatro missões.
Na prática, isso significa que uma determinada área da Lua pode ser analisada simultaneamente por diferentes perspectivas.
Uma camada pode revelar o formato de uma cratera. Outra pode mostrar a topografia. Uma terceira pode indicar como a superfície reflete determinados comprimentos de onda. Outras informações ajudam a compreender características geofísicas ou as condições de iluminação.
É justamente a relação entre essas informações que interessa à inteligência artificial.
Em vez de aprender apenas a reconhecer uma cratera, por exemplo, o modelo tenta identificar padrões mais gerais presentes nos dados. Depois, pode ser adaptado para diferentes tarefas.
Essa característica diferencia um modelo fundacional de muitos algoritmos tradicionais, que são treinados desde o início para executar uma função muito específica.
E uma das aplicações mais interessantes está em um recurso que pode ser decisivo para o futuro da exploração lunar.
A IA pode indicar onde procurar gelo
Nas regiões polares da Lua existem crateras cujos interiores permanecem permanentemente na escuridão.
Sem exposição direta à luz solar, algumas dessas áreas podem preservar depósitos de gelo de água durante períodos extremamente longos.
Isso transforma essas regiões em alvos especialmente interessantes para futuras missões. A água poderia ser importante não apenas para consumo, mas também para produzir recursos necessários à permanência humana e até combustível.
O modelo desenvolvido pela NASA e pela IBM pode combinar diferentes tipos de observação para identificar regiões cujas características sejam compatíveis com uma maior probabilidade de presença de gelo.
Mas existe uma diferença fundamental.
A IA não está enxergando diretamente o gelo enterrado no solo.
O que ela produz são mapas de prospectividade baseados nas relações encontradas nos dados disponíveis. Esses mapas podem ajudar pesquisadores a decidir onde vale a pena realizar observações mais detalhadas ou direcionar futuras missões.
A mesma lógica pode ser aplicada a crateras e outras estruturas geológicas da superfície lunar.
A próxima etapa da exploração pode acontecer nos computadores
Isso não significa que a inteligência artificial esteja substituindo cientistas ou sondas.
Os resultados do modelo continuam dependendo da qualidade dos dados usados para treiná-lo. Uma previsão precisa ser comparada com observações independentes e analisada por especialistas antes de ser tratada como uma descoberta confirmada.
A grande vantagem está em outra coisa: velocidade e escala.
Uma IA pode examinar enormes quantidades de informações e encontrar relações que seriam extremamente demoradas para identificar manualmente. Em vez de substituir a investigação científica, ela pode ajudar a escolher onde os pesquisadores devem olhar primeiro.
A NASA e a IBM já exploraram uma estratégia semelhante em outros campos. Modelos como Prithvi, voltado para observações da Terra, e Surya, direcionado ao estudo do Sol, seguem essa tendência de usar modelos fundacionais para transformar grandes arquivos científicos em ferramentas de análise.
No caso da Lua, isso aponta para uma mudança interessante.
Durante décadas, explorar outros mundos significava principalmente construir instrumentos melhores e enviá-los para o espaço.
Agora existe uma segunda fronteira: aprender a extrair mais informação daquilo que as missões já descobriram.
E a Lua, com décadas de imagens e medições acumuladas, pode ser um dos primeiros lugares onde essa nova forma de exploração começa a mostrar todo o seu potencial.
