🤖 AI

MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications

O artigo apresenta o MOMO, o primeiro modelo fundamental multi-sensor para sensoriamento remoto de Marte, que integra dados de três instrumentos distintos (HiRISE, CTX e THEMIS) por meio de uma estratégia inovadora de fusão de modelos baseada em perda de validação igual, alcançando desempenho superior em diversas tarefas de aplicação marciana.

Autores originais: Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner

Publicado 2026-04-06

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um explorador espacial tentando entender a superfície de Marte. Você tem três "olhos" diferentes para olhar o planeta, mas cada um vê coisas de uma maneira muito distinta:

HiRISE: É como uma câmera de super-resolução. Você consegue ver uma pedra do tamanho de uma bola de basquete. É incrível, mas só consegue olhar uma pequena parte da superfície de cada vez.
CTX: É como uma câmera de paisagem. Você vê uma cidade inteira, com detalhes bons, mas não consegue ver as pedrinhas no chão.
THEMIS: É como uma câmera térmica de longa distância. Você vê o calor e as grandes formações geológicas (como vulcões gigantes), mas os detalhes são meio borrados.

O problema é que, até agora, os cientistas tinham que treinar um "cérebro" (um modelo de inteligência artificial) separado para cada um desses olhos. Era como ter três professores diferentes: um especialista em pedras, outro em cidades e outro em calor. Se você quisesse analisar tudo ao mesmo tempo, precisava de três modelos, o que é caro e complicado.

A Solução: MOMO (O "Mestre dos Olhos")

Os pesquisadores criaram o MOMO (Mars Orbital Model). Pense nele como um chef de cozinha genial que aprendeu a cozinhar com três ingredientes diferentes (os dados dos três sensores) e, em vez de fazer três pratos separados, criou uma receita mestra única que usa o melhor de cada um.

Aqui está como eles fizeram isso, usando analogias simples:

1. O Treinamento Individual (A Escola de Especialistas)

Em vez de jogar todos os dados juntos de uma vez (o que seria como misturar farinha, ovos e leite de uma vez sem saber a ordem), eles primeiro treinaram três modelos separados:

Um aprendeu apenas com as fotos de alta resolução (HiRISE).
Outro apenas com as fotos de paisagem (CTX).
O terceiro apenas com as imagens térmicas (THEMIS).

Cada um se tornou um especialista no seu próprio "idioma".

2. O Grande Truque: A "Fusão Perfeita" (O Casamento dos Modelos)

Aqui está a parte mais inteligente do papel. Normalmente, quando você tenta juntar dois modelos treinados, eles podem brigar ou não combinar, como tentar juntar duas peças de quebra-cabeça de caixas diferentes.

Os autores criaram uma estratégia chamada EVL (Validação Loss Igual).

A Analogia do Corredor: Imagine que os três modelos são corredores treinando para uma maratona. Cada um corre em um terreno diferente (resoluções diferentes).
Se você tentar juntá-los quando um está cansado demais (treinado demais, "overfit") e o outro ainda está fresco (treinado de menos, "underfit"), a equipe vai mal.
O MOMO usa o EVL para encontrar o momento exato em que todos os três corredores estão no mesmo nível de fadiga e desempenho. Eles olham para a "pontuação de erro" de cada um e escolhem o momento em que as pontuações são quase idênticas.
Só então eles "casam" os modelos. É como se eles dissessem: "Ok, agora que todos estão no mesmo ritmo, vamos fundir nossos conhecimentos em um único super-herói."

3. O Resultado: Um Único Cérebro para Marte

O resultado é o MOMO. Ele é um único modelo que consegue:

Ver uma cratera gigante (usando o conhecimento do THEMIS).
Contar quantas pedras estão dentro dessa cratera (usando o conhecimento do HiRISE).
Entender o contexto geográfico ao redor (usando o CTX).

Por que isso é importante?

Economia de Energia: Em vez de treinar e manter três modelos gigantes, os cientistas agora têm um só.
Precisão: O MOMO é melhor do que os modelos antigos que usavam apenas fotos da Terra ou apenas um tipo de sensor. Ele entende Marte como um todo.
Flexibilidade: Se amanhã lançarmos um novo satélite com uma câmera nova, não precisamos recriar tudo do zero. Basta treinar um pequeno modelo para essa nova câmera e "casá-lo" com o MOMO usando a mesma estratégia de fusão.

Resumo em uma frase

O MOMO é como criar um tradutor universal que aprendeu três línguas diferentes (os sensores) separadamente e, no momento perfeito, fundiu esses conhecimentos em um único cérebro capaz de entender a complexa geografia de Marte com uma precisão nunca antes vista.

O artigo mostra que essa abordagem de "casar modelos no momento certo" é a chave para criar a próxima geração de inteligência artificial para explorar nosso sistema solar.

Resumo Técnico: MOMO (Mars Orbital Model)

1. Problema e Motivação

Atualmente, não existe um Modelo de Fundação (Foundation Model - FM) dedicado especificamente para aplicações de sensoriamento remoto em Marte. Embora existam mais de 150 modelos de fundação para observação da Terra (EO-FMs), eles não generalizam bem para Marte devido a diferenças críticas nas condições atmosféricas, iluminação, materiais de superfície e características dos sensores.

Os desafios específicos para Marte incluem:

Dados Heterogêneos: Os satélites orbitais de Marte (como HiRISE, CTX e THEMIS) operam em diferentes comprimentos de onda, resoluções espaciais (de 0,25 m/pixel a 100 m/pixel) e coberturas geográficas.
Limitações das Abordagens Atuais:
- Pré-treinamento no ImageNet: Funciona apenas como uma inicialização básica, falhando em capturar características texturais e espaciais específicas de Marte.
- Combinação Direta de Dados (Data Merge): Exige que todos os sensores tenham sobreposição espacial e temporal, o que é raro em Marte (ex: HiRISE cobre <3% da superfície, enquanto CTX cobre ~100%). Além disso, adicionar um novo sensor exigiria o retreinamento completo do modelo.
- Pré-treinamento Específico por Sensor: Exige manter múltiplos modelos independentes, o que é ineficiente para aplicações que exigem integração de dados multi-sensor.

2. Metodologia

O MOMO é o primeiro modelo de fundação multi-sensor para Marte. A abordagem inovadora não combina os dados brutos dos sensores durante o pré-treinamento, mas sim utiliza uma estratégia de fusão de modelos (Model Merging).

Etapas Principais:

Pré-treinamento Independente:
- São treinados três modelos independentes (baseados em Masked Autoencoders - MAE), um para cada sensor principal: HiRISE (0,25 m/pixel), CTX (5 m/pixel) e THEMIS (100 m/pixel).
- O corpus de pré-treinamento consiste em ~12 milhões de amostras curadas, amostradas estratificadamente com base no Mapa Geológico de Marte (GMoM) para garantir representatividade geológica e geográfica.
- Função de Custo Híbrida: Para superar as limitações da perda MSE (que ignora detalhes estruturais), o modelo utiliza uma função de perda combinada que inclui:
  - MSE (Erro Quadrático Médio) para consistência de cor.
  - LPIPS (Perda Perceptual) e SSIM (Similaridade Estrutural) para fidelidade estrutural.
  - Perda de Gradiente ( $L_{grad}$ ) para suavidade espacial e consistência de bordas.
Estratégia de Seleção de Checkpoint Otimizada (EVL - Equal Validation Loss):
- Este é o núcleo da contribuição metodológica. Em vez de fundir os modelos no último checkpoint (final do treinamento), a estratégia EVL alinha os checkpoints dos diferentes sensores com base na similaridade da perda de validação.
- O algoritmo identifica tuplas de épocas onde a perda de validação de todos os sensores é mutuamente próxima ( $\Delta_{ij} \le \epsilon$ ).
- Entre as tuplas alinhadas, seleciona-se aquela que está mais próxima dos pontos de early stopping individuais de cada sensor. Isso garante que os modelos sejam fundidos em estágios de convergência compatíveis, evitando a fusão de estados superajustados (overfitting) ou subajustados (underfitting).
Fusão via Aritmética de Tarefas (Task Arithmetic):
- Os checkpoints selecionados são fundidos utilizando a operação de adição de vetores de tarefa (task arithmetic), criando um único modelo unificado que integra as representações aprendidas por cada sensor.

3. Principais Contribuições

Primeiro FM para Marte: Introdução do MOMO, o primeiro modelo de fundação sistematicamente desenvolvido, analisado e avaliado para tarefas orbitais de Marte.
Fusão Multi-Sensor Eficiente: Uma nova técnica para construir modelos de fundação multi-sensor através de fusão de modelos, evitando a necessidade de dados coincidentes espaciais/temporais durante o pré-treinamento.
Estratégia EVL: Uma estratégia inédita de seleção de checkpoint baseada em alinhamento de perda de validação, que melhora a estabilidade e a generalização da fusão de modelos treinados em distribuições de dados heterogêneas.
Banco de Dados Aberto: Disponibilização de pesos do modelo, código de pré-treinamento e dados curados (~12M de amostras) para a comunidade científica.

4. Resultados e Avaliação

O modelo foi avaliado no Mars-Bench, um conjunto de referência com 9 tarefas de sensoriamento remoto orbital (4 classificações e 5 segmentações).

Desempenho Geral: O MOMO superou consistentemente as linhas de base, incluindo:
- Modelos pré-treinados no ImageNet.
- Modelos de fundação de observação da Terra (SatMAE, CROMA, Prithvi, TerraFM).
- Pré-treinamento específico por sensor.
- Abordagem de fusão direta de dados (Data Merge).
Tarefas de Segmentação: O MOMO demonstrou melhorias significativas e consistentes em tarefas de segmentação (ex: identificação de rochas, crateras e deslizamentos), com ganhos médios de ~1% a ~4% em mIoU (Interseção sobre União Média) em comparação com o ImageNet. Isso é crucial para a localização precisa de características geomorfológicas.
Tarefas de Classificação: Desempenho superior ou comparável aos melhores modelos, com ganhos notáveis em tarefas como detecção de poeira atmosférica (AtmosDust).
Comparação com Estratégias de Fusão: A estratégia EVL superou as abordagens de fusão no último checkpoint (Last Epoch) e no checkpoint de parada antecipada (Early Stopping), confirmando que o alinhamento baseado na perda de validação é superior para garantir compatibilidade entre os modelos.
Escalabilidade: O framework permite a integração fácil de novos sensores no futuro (apenas pré-treinando o novo sensor e fundindo com os existentes), sem necessidade de retreinamento completo do sistema.

5. Significado e Impacto

O MOMO representa um marco na ciência planetária, estabelecendo um novo paradigma para o desenvolvimento de modelos de IA para exploração espacial.

Eficiência de Recursos: Permite que cientistas planetários treinem modelos para tarefas personalizadas com custos computacionais e de dados reduzidos em comparação ao treinamento supervisionado do zero.
Generalização: Demonstra que a fusão de modelos treinados em diferentes resoluções e sensores pode criar uma representação unificada e robusta da superfície marciana.
Aplicações Práticas: O modelo já mostrou potencial para gerar mapas globais de características geológicas em regiões não vistas durante o treinamento, auxiliando na seleção de locais de pouso e na análise de mudanças de superfície.

Em resumo, o MOMO prova que a combinação de pré-treinamento específico por domínio com uma estratégia inteligente de fusão de modelos (EVL) é a via mais eficaz para criar modelos de fundação robustos para dados multi-resolução e multi-sensor em ambientes planetários.