IA para mapear crateras lunares não é tão precisa quanto parece

Novo estudo revela que o desempenho de IAs pode ser superestimado; entenda os impactos e a importância de critérios rigorosos para a ciência

Comparativo de detecções de crateras lunares, ilustrando os desafios da IA na precisão de catalogação, conforme novo estudo - (crédito: NASA/GSFC/Arizona State University/SwRI)

Um novo estudo liderado pelo Southwest Research Institute (SwRI) revela que o desempenho de catálogos de crateras lunares gerados por inteligência artificial (IA) pode ser superestimado. A pesquisa comparou oito desses catálogos e descobriu que muitas métricas de performance caem drasticamente quando os dados são avaliados com os mesmos padrões científicos aplicados a humanos.

Catálogos de crateras são essenciais para a ciência, pois registram a localização, as dimensões e as características de impactos. Com essas informações, cientistas estimam a idade de superfícies planetárias: locais com mais crateras são considerados mais antigos. Esse método ajuda a reconstruir a história geológica do sistema solar.

Leia Mais

• Marco legal da inteligência artificial busca estabelecer regras para a tecnologia

• Supercomputador japonês recria a Via Láctea estrela por estrela

• Sistema de IA antecipa comportamentos e abre caminho para novos estudos da mente

A detecção automatizada de crateras com IA poderia economizar anos de trabalho manual. "A IA tem um enorme potencial para auxiliar em tarefas científicas repetitivas e demoradas, especialmente na coleta de dados", afirma Stuart J. Robbins, autor principal do estudo. "Mas nossa análise mostra que os pesquisadores não devem presumir que um catálogo gerado por IA esteja pronto para uso científico apenas com base em suas métricas publicadas."

Critérios rigorosos expõem falhas

A pesquisa, intitulada "Uma Comparação de Bancos de Dados de Crateras Lunares Baseados em IA Usando Critérios Uniformes", avaliou cada catálogo de IA em relação a um extenso banco de dados compilado manualmente por Robbins ao longo de anos.

A equipe descobriu que o desempenho depende de como uma "correspondência" de cratera é definida. Para uso científico, uma cratera precisa ter localização e dimensões precisas. No entanto, algumas métricas de visão computacional podem fazer a detecção parecer aceitável mesmo quando os dados são imprecisos.

"Se uma cratera for deslocada, duplicada ou tiver o tamanho incorreto, isso pode afetar a ciência", explica Robbins. Ele cita um exemplo: se uma IA duplica o número de crateras, a idade projetada da superfície pode dobrar.

Ao aplicar critérios mais rigorosos, baseados na análise manual, quase todos os bancos de dados de IA tiveram um desempenho pior do que o relatado, com algumas métricas caindo mais de dez vezes. O estudo também notou que alguns catálogos funcionavam bem para certos tamanhos de crateras, mas mal para outros, falha que números gerais podem ocultar.

A coautora Rachael H. Hoover enfatiza que o estudo não é um argumento contra a IA. "Nosso trabalho destaca a necessidade de padronizar os parâmetros de referência, incluindo a divulgação transparente dos critérios de correspondência e a validação independente", disse.

Robbins acrescenta que, por enquanto, os pesquisadores precisam entender como essas ferramentas funcionam e onde falham para avaliar se o desempenho é suficiente para a ciência que está sendo feita.

Uma ferramenta de IA foi usada para auxiliar na produção desta reportagem, sob supervisão editorial humana.

Por Correio Braziliense

postado em 06/07/2026 16:12 / atualizado em 06/07/2026 16:12