Universities Space Research Association (USRA) contribuiu com expertise em ciências planetárias para o modelo lunar de IA recentemente lançado da NASA-IBM, um modelo de IA de código aberto projetado para analisar diversos conjuntos de dados lunares. Desenvolvido através de uma colaboração liderada pela NASA e pela IBM Research, o modelo foi pré-treinado usando o Som Bench, um conjunto de dados lunar multimodal contendo quase dois milhões de pacotes de dados co-registrados que abrangem 11 modalidades e duas escalas espaciais. O modelo integra imagens, topografia, geometria de iluminação, propriedades termo-físicas, mineralogia, radar, gravidade e outros dados geológicos.

A contribuição da USRA veio da Dra. Rachel Slank, cientista associada do Instituto de Ciência e Tecnologia da USRA, em atribuição no Centro de Voo Espacial Marshall da NASA. Ela atuou como especialista em matéria de ciências planetárias, conectando as prioridades da ciência lunar com as decisões de desenvolvimento do modelo.

O modelo foi avaliado em três benchmarks: detecção de crateras em escalas regionais e de metro, segmentação de manchas de mare irregulares e regressão da prospectividade de gelo polar lunar. Em todos os benchmarks, o modelo pré-treinado igualou ou superou os modelos de comparação baseados em pré-treinamento do ImageNet. O estudo demonstrou forte eficiência de rótulos na detecção de crateras, sugerindo que o pré-treinamento lunar reduz os requisitos de dados rotulados específicos da tarefa.

Ao lançar abertamente o modelo pré-treinado, o código de ajuste fino e os conjuntos de dados de referência, a equipe tem como objetivo fornecer uma base reutilizável para aplicações de pesquisa lunar. O Som Bench suporta a avaliação padronizada de aplicações de aprendizado de máquina lunar.

Entidades-chave: Empresas: Universities Space Research Association (USRA), NASA, IBM Research | Pessoas: Dra. Rachel Slank | Locais: Washington, D.C., Centro de Voo Espacial Marshall