Ny teknik bruger AI til at lokalisere og tælle kratere på månen

En ny teknik udviklet af forskere ved U of T Scarborough bruger den samme teknologi bag selvkørende biler til at måle størrelsen og placeringen af ​​kraterpåvirkninger på månen.

"Når det kommer til at tælle kratere på månen, det er en temmelig arkaisk metode, "siger Mohamad Ali-Dib, en postdoktor i Center for Planetary Sciences (CPS).

"Grundlæggende skal vi manuelt se på et billede, lokaliser og tæl kraterne, og bereg derefter derefter, hvor store de er baseret på billedets størrelse. Her har vi udviklet en teknik fra kunstig intelligens, der kan automatisere hele denne proces, der sparer betydelig tid og kræfter. "

Forskere har tidligere forsøgt at udvikle algoritmer, der kunne identificere og tælle månekratere, men da de blev brugt på nye, tidligere usete pletter af kratere havde de en tendens til at fungere dårligt. Til sammenligning, teknikken udviklet af Ali-Dib og hans kolleger kan udmærket generalisere til usynlige måneplaster, og endda andre kraterede kroppe som Merkur.

"Det er første gang, vi har en algoritme, der kan registrere kratere rigtig godt for ikke kun dele af månen, men også områder med kviksølv, "siger Ali-Dib, der udviklede teknikken sammen med Ari Silburt, Chenchong Charles Zhu og en gruppe forskere ved CPS og Canadian Institute for Theoretical Astrophysics (CITA).

For at bestemme dens nøjagtighed, forskerne uddannede først det neurale netværk på et stort datasæt, der dækker to tredjedele af månen, og testede derefter deres uddannede netværk på den resterende tredjedel af månen. Det fungerede så godt, at det var i stand til at identificere dobbelt så mange kratere som traditionel manuel optælling. Faktisk, det var i stand til at identificere omkring 6, 000 tidligere uidentificerede kratere på månen.

Selve teknikken er afhængig af et konvolutionelt neuralt netværk, en klasse af maskinlæringsalgoritmer, der med succes er blevet brugt til computersyn til at drive robotter og endda selvkørende biler. De data, der blev brugt af algoritmerne, blev taget fra elevationskort indsamlet fra satellitter i kredsløb.

Selvom ingen af ​​forskerne havde tidligere erfaring med kratertælling, de var i stand til at udvikle teknikken som et resultat af en række workshops afholdt på U of T Scarborough arrangeret af lektor Kristen Menou og flere af forfatterne om, hvordan maskinlæring og dyb læring kunne hjælpe med at tackle specifikke videnskabelige problemer.

"Titusinder af uidentificerede små kratere er på månen, og det er urealistisk for mennesker at effektivt karakterisere dem alle i øjet, "siger Silburt, en tidligere gradstuderende i U på T's Institut for Astronomi og Astrofysik.

"Der er et reelt potentiale for maskiner til at hjælpe med at identificere disse små kratere og afsløre uopdagede spor om dannelsen af ​​vores solsystem."

At kende størrelsen og placeringen af ​​kratere på kroppe som månen er vigtig, fordi det giver et vindue ind i vores solsystems historie. Ved at studere slagkratere i alle former, størrelser og aldre, forskere kan bedre forstå fordelingen af ​​materiale og den fysik, der fandt sted i de tidlige stadier af vores solsystem, bemærker Ali-Dib.

Da månen mangler en atmosfære, pladetektonik og vand, der er lidt erosion, og som følge heraf er nogle nedslagskratere så gamle som 4 milliarder år synlige. De store kraters alder kan også bestemmes ved at tælle, hvor mange små kratere der findes inde i den.

"For at denne teknik skal fungere, har du brug for en luftløs krop som månen eller Merkur, kroppe, hvor der er lidt erosion, "tilføjer Ali-Dib.

Hvad angår de næste trin, Ali-Dib siger, at planen er at forbedre algoritmen yderligere for at give forskere mulighed for at finde flere kratere, og også at teste det på andre solsystemlegemer som Mars, Ceres og de iskolde måner på Jupiter og Saturn.

Forskningen, som i øjeblikket er under revision i tidsskriftet Icarus , modtaget finansiering fra Natural Sciences and Engineering Research Council of Canada (NSERC).