Com a colaboração contínua entre NASA, IBM Research e diversas instituições acadêmicas, foi lançado o NASA-IBM Lunar Foundation Model, um modelo de código aberto dedicado à ciência lunar. Treinado principalmente com dados do Lunar Reconnaissance Orbiter (LRO) da NASA, o modelo foi disponibilizado no Hugging Face; todo o código está disponível no GitHub.
O modelo pretende permitir a análise rápida de grandes conjuntos de dados sobre a superfície da Lua, ajudando a mapear a superfície, estudar o passado geológico e planejar futuras pesquisas. Ao contrário dos algoritmos tradicionalmente treinados do zero para cada missão, os foundation models são pré-treinados em grandes conjuntos de dados não rotulados e, posteriormente, podem ser adaptados a diferentes tarefas científicas com uma pequena quantidade de dados rotulados.
Os dados coletados pelo LRO nos últimos 17 anos foram usados no treinamento porque cobrem detalhadamente grande parte da superfície lunar. Os dados produzidos por essa missão são maiores que o total combinado de todas as outras missões planetárias da NASA e oferecem um mosaico de alta resolução quase contínuo da Lua. O modelo foi treinado com aproximadamente 2 milhões de blocos de imagens do conjunto de dados, composto por mais de 1 milhão de imagens de câmera de alta resolução, com resolução de 1 metro, e aproximadamente 964.000 imagens multiespectrais, com resolução de 100 metros. Também foram utilizadas imagens e dados de terreno das missões GRAIL e Lunar Prospector da NASA e da missão Selenological and Engineering Explorer da JAXA. O modelo poderá ser adaptado para mapear crateras, identificar formações vulcânicas jovens e estimar a localização de gelo próximo aos polos.
Por que é importante
Este trabalho visa transformar os dados da Lua, que deixam de ser apenas arquivos processados para missões individuais, em uma infraestrutura de pesquisa compartilhada, adaptável a diferentes questões científicas. A abordagem de código aberto pode permitir que pesquisadores da Lua desenvolvam suas próprias análises a partir de uma base pronta e avaliem os mesmos dados para diferentes finalidades. Isso pode reorganizar o processo de processamento de dados, especialmente para equipes que trabalham com mapeamento da superfície, estudos geológicos e planejamento de pesquisas. No entanto, o grau de sucesso do modelo em diferentes tarefas científicas e sua capacidade de adaptação a situações fora dos dados utilizados no treinamento continuam sendo questões que precisarão ser respondidas à medida que as aplicações se disseminarem.
Contexto
NASA não é um nome novo no arquivo FikirPilot: publicamos 29 notícias com esse nome nos últimos 90 dias; a mais recente é de 11 de setembro de 2026.