NASA e IBM criaram um modelo de IA para explorar a Lua

Na primavera passada, o mundo viveu um raro momento de alegria colectiva e admiração quando a missão Artemis II da NASA, o primeiro voo tripulado à Lua desde 1972, completou o seu histórico sobrevôo lunar. Em 6 de abril, os astronautas Reid Wiseman, Christina Koch, Victor Glover e Jeremy Hansen voaram para mais longe da Terra do que qualquer ser humano antes deles. Agora, enquanto a NASA se prepara para a próxima missão Artemis e mais além, a agência espacial está a trabalhar com a IBM para fornecer aos cientistas novas ferramentas para estudar a Lua.

Na quinta-feira, as duas organizações divulgaram o modelo da Fundação Lunar NASA-IBM. É um sistema de IA de código aberto que está disponível para download no Hugging Face. Como modelo básico, ele pode fazer algumas coisas diferentes, diz o Dr. Juan Bernabé-Moreno, diretor da IBM Research Europe, Reino Unido e Irlanda. Para começar, a NASA e a IBM descobriram que era particularmente hábil na identificação de áreas na superfície lunar onde poderia haver gelo.

As duas organizações realizaram um teste onde compararam as previsões do modelo com um mapa que fizeram usando um fluxo de trabalho científico publicado que incorpora dados de terreno, térmicos e outros dados ambientais. Eles então compararam o modelo com o SwinV2-B, um sistema de visão treinado pela Microsoft para processamento de imagens de alta resolução. O modelo NASA-IBM reduziu os erros em 23%. A NASA e a IBM compararam o modelo com o SwinV2-B porque a ferramenta é frequentemente usada como base para muitas tarefas de análise de imagens.

A NASA e a IBM também avaliaram a capacidade do seu modelo para identificar e classificar crateras. Lá, o novo modelo superou o SwinV2-B em 19%, usando metade dos dados de treinamento. A NASA e a IBM tiveram a oportunidade de verificar as capacidades do modelo recentemente, quando um foguete SpaceX Falcon 9 caiu na Lua em 5 de agosto. Quando a IBM forneceu uma imagem do impacto ao modelo, identificou corretamente o local do acidente como uma nova cratera, apesar de se sobrepor estreitamente a uma cratera existente. “Funcionou de forma fantástica”, diz Bernabé-Moreno, com a modelo acertando na identificação na primeira tentativa.

IBM

Bernabé-Moreno diz que treinar o modelo foi um desafio. “Na observação da Terra, você tem imagens cristalinas”, explica ele. A atmosfera do nosso planeta dispersa a luz solar, preenchendo as sombras com luz ambiente que suaviza suas bordas. Em vez disso, as sombras na Lua parecem afiadas e pretas, o que significa que sempre que são fotografadas, os pixels sombreados não carregam nenhuma informação. “Na Lua, o que você tem é o sol em diferentes momentos do dia, e ele ilumina e corta sombras, e você precisa lidar com essas sombras”, diz ele. O resultado é que uma cratera pode ter uma aparência em uma imagem e completamente diferente na imagem seguinte.

Outro desafio surgiu como resultado de como os modelos de visão computacional são normalmente treinados e testados. Na maioria das vezes, esse processo envolve a remoção de algumas partes de uma imagem e a tarefa do modelo de reconstruir o que está faltando com base nos padrões que aprendeu no treinamento. “Você pode remover 90% de uma cratera e, com (os restantes) 10%, pedir ao modelo para reconstruir os outros 90%”, explica Bernabé-Moreno. Isso não funciona para a Lua. Como você pode imaginar, a razão para isso é que muitas crateras parecem muito semelhantes entre si quando fotografadas em órbita.

Na verdade, as tentativas da IBM de treinar o modelo da forma tradicional foram um “desastre completo”, diz Bernabé-Moreno, mas a equipa de investigação acabou por conceber uma solução criativa. “Pegamos a Lua e a dividimos em fatias, como uma laranja, e separamos completamente as fatias de treinamento das fatias de teste. Dessa forma, poderíamos dar muita consistência ao modelo”, diz ele.

Uma das razões pelas quais a NASA e a IBM estão entusiasmadas com este lançamento é que ele inclui um conjunto de dados de código aberto inédito que outros pesquisadores podem usar para construir modelos futuros. Ele incorpora dezenas de milhares de imagens e dados de instrumentos das missões Lunar Reconnaissance Orbiter (LRO) e Gravity Recovery and Interior Laboratory (GRAIL) da NASA, bem como do Selenological and Engineering Explorer (SELENE) do Japão.

“Uma das razões pelas quais nunca vimos um modelo lunar abrangente e poderoso é que não tínhamos os dados (organizados) da forma correta”, diz Bernabé-Moreno. A organização, neste caso, significou a criação de uma grade onde cada pixel dos dados de imagem corresponde a outras modalidades de dados que um modelo pode usar para informar seu processamento. “Só isso já é uma enorme contribuição científica, porque deixemos o modelo de lado: a comunidade agora tem um conjunto de dados co-registrado com mais de dois milhões de pontos (dados)”, diz Bernabé-Moreno. “E sabemos que os modelos de IA são substituídos por outros modelos. Os dados são o que realmente cria a indústria de modelos de IA.”