Исследователи из Лаборатории реактивного движения NASA (JPL NASA) в Калифорнии разработали алгоритм машинного обучения, который позволяет находить новые кратеры на поверхности Марса. NASA заявило, что это первый случай использования искусственного интеллекта для идентификации ранее неизвестных воронок от метеоритов на Красной планете, сообщает портал Space.com.
В качестве исходных данных для своего алгоритма ученые взяли изображения, полученные с помощью камеры на орбитальном аппарате NASA Mars Reconnaissance Orbiter (MRO).
Аппарат Mars Reconnaissance Orbiter над Южным полюсом Марса. Рисунок художника. Источник: space.com
Контекстная камера (CTX) MRO делает снимки с низким разрешением, которые могут охватить сотни километров за раз. Это позволяет найти следы взрыва вокруг места удара и сузить область поиска на поверхности планеты. Для захвата более мелких деталей и идентификации отдельных кратеров ученые делают ставку на используемую MRO камеру высокого разрешения HiRISE. Она позволяет разглядеть с орбиты на поверхности планеты объекты длиной всего 30 см. Сначала анализируются снимки камеры CTX, затем на интересные области наводится HiRISE. Однако, чтобы идентифицировать небольшие объекты на поверхности Марса и отобрать их для дальнейшего изучения, требуется кропотливый анализ изображений. В NASA рассчитывают, что AI позволит ускорить этот процесс.
Для более точного нахождения воронок исследователи NASA «обучили» алгоритм на 6830 изображениях, сделанных контекстной камерой. Этот процесс включал снимки областей, где люди ранее идентифицировали столкновения с поверхностью планеты, а также областей без кратеров, чтобы инструмент мог научиться правильно различать особенности поверхности на Марсе.
Кластер небольших марсианских кратеров, идентифицированный искусственным интеллектом. Фото: NASA
После обучения алгоритма ученые загрузили в него еще 112 000 изображений поверхности Красной планеты, снятых контекстной камерой. Благодаря этим снимкам искусственный интеллект смог различить группу кратеров под названием Noctis Fossae, что подтвердили и исследователи с помощью инструмента HiRISE. Таким образом, были обнаружены 20 дополнительных интересных для изучения областей, которые эксперты будут исследовать более подробно.
«Искусственный интеллект, конечно, не может анализировать изображения так же квалифицированно, как это делают ученые. Но такие инструменты, как этот новый алгоритм, могут им в этом помочь. Это открывает путь к захватывающему симбиозу людей и искусственного интеллекта, работающих совместно для ускорения научных открытий», — считает Кири Вагстафф, специалист из JPL NASA.
«Было бы невозможно обработать более 112 000 изображений за разумный промежуток времени без распределения работы среди множества компьютеров», — отмечает ее коллега Гэри Доран.
В NASA надеются использовать аналогичную технологию классификации и на будущих орбитальных аппаратах Марса. По мнению сотрудников Национального управления по аэронавтике и исследованию космического пространства, это позволит получить более полную картину того, как часто метеоры падают на Марс.
В качестве исходных данных для своего алгоритма ученые взяли изображения, полученные с помощью камеры на орбитальном аппарате NASA Mars Reconnaissance Orbiter (MRO).
Аппарат Mars Reconnaissance Orbiter над Южным полюсом Марса. Рисунок художника. Источник: space.com
Контекстная камера (CTX) MRO делает снимки с низким разрешением, которые могут охватить сотни километров за раз. Это позволяет найти следы взрыва вокруг места удара и сузить область поиска на поверхности планеты. Для захвата более мелких деталей и идентификации отдельных кратеров ученые делают ставку на используемую MRO камеру высокого разрешения HiRISE. Она позволяет разглядеть с орбиты на поверхности планеты объекты длиной всего 30 см. Сначала анализируются снимки камеры CTX, затем на интересные области наводится HiRISE. Однако, чтобы идентифицировать небольшие объекты на поверхности Марса и отобрать их для дальнейшего изучения, требуется кропотливый анализ изображений. В NASA рассчитывают, что AI позволит ускорить этот процесс.
Для более точного нахождения воронок исследователи NASA «обучили» алгоритм на 6830 изображениях, сделанных контекстной камерой. Этот процесс включал снимки областей, где люди ранее идентифицировали столкновения с поверхностью планеты, а также областей без кратеров, чтобы инструмент мог научиться правильно различать особенности поверхности на Марсе.
Кластер небольших марсианских кратеров, идентифицированный искусственным интеллектом. Фото: NASA
После обучения алгоритма ученые загрузили в него еще 112 000 изображений поверхности Красной планеты, снятых контекстной камерой. Благодаря этим снимкам искусственный интеллект смог различить группу кратеров под названием Noctis Fossae, что подтвердили и исследователи с помощью инструмента HiRISE. Таким образом, были обнаружены 20 дополнительных интересных для изучения областей, которые эксперты будут исследовать более подробно.
«Искусственный интеллект, конечно, не может анализировать изображения так же квалифицированно, как это делают ученые. Но такие инструменты, как этот новый алгоритм, могут им в этом помочь. Это открывает путь к захватывающему симбиозу людей и искусственного интеллекта, работающих совместно для ускорения научных открытий», — считает Кири Вагстафф, специалист из JPL NASA.
«Было бы невозможно обработать более 112 000 изображений за разумный промежуток времени без распределения работы среди множества компьютеров», — отмечает ее коллега Гэри Доран.
В NASA надеются использовать аналогичную технологию классификации и на будущих орбитальных аппаратах Марса. По мнению сотрудников Национального управления по аэронавтике и исследованию космического пространства, это позволит получить более полную картину того, как часто метеоры падают на Марс.
