AI hjælper videnskabsmænd med at opdage friske kratere på Mars

Engang mellem marts 2010 og maj 2012, en meteor strøg hen over Mars-himlen og brød i stykker, smækker ind i planetens overflade. De resulterende kratere var relativt små - kun 13 fod (4 meter) i diameter. Jo mindre funktionerne er, jo sværere er de at få øje på ved hjælp af Mars-kredsløb. Men i dette tilfælde - og for første gang - opdagede videnskabsmænd dem med lidt ekstra hjælp:kunstig intelligens (AI).

Det er en milepæl for planetariske videnskabsmænd og AI-forskere ved NASAs Jet Propulsion Laboratory i det sydlige Californien, som arbejdede sammen om at udvikle maskinlæringsværktøjet, der hjalp med at gøre opdagelsen. Præstationen giver håb om både at spare tid og øge mængden af ​​fund.

Typisk, videnskabsmænd bruger timer hver dag på at studere billeder taget af NASAs Mars Reconnaissance Orbiter (MRO), leder efter skiftende overfladefænomener som støvdjævle, laviner, og skiftende klitter. I orbiterens 14 år på Mars, forskere har stolet på MRO-data for at finde over 1, 000 nye kratere. De opdages normalt først med rumfartøjets kontekstkamera, som tager billeder i lav opløsning, der dækker flere hundrede kilometer ad gangen.

Kun eksplosionsmærkerne omkring et stød vil skille sig ud på disse billeder, ikke de enkelte kratere, så det næste trin er at se nærmere med High-Resolution Imaging Science Experiment, eller HiRISE. Instrumentet er så kraftfuldt, at det kan se detaljer lige så fine som sporene efterladt af Curiosity Mars-roveren. (HiRISE-teamet tillader enhver, herunder medlemmer af offentligheden, for at anmode om specifikke billeder gennem sin HiWish-side.)

Processen kræver tålmodighed, det tager 40 minutter eller deromkring for en forsker at omhyggeligt scanne et enkelt kontekstkamerabillede. For at spare tid, JPL-forskere skabte et værktøj - kaldet en automatiseret fresh impact krater classifier - som en del af en bredere JPL-indsats kaldet COSMIC (Capturing Onboard Summarization to Monitor Image Change), der udvikler teknologier til fremtidige generationer af Mars-kredsløb.

At lære landskabet

For at træne kraterklassificereren, forskere fodrede det 6, 830 kontekstkamerabilleder, herunder steder med tidligere opdagede påvirkninger, som allerede var blevet bekræftet via HiRISE. Værktøjet blev også fodret med billeder uden nye effekter for at vise klassificereren, hvad man ikke skal kigge efter.

Når først du er blevet trænet, klassificeringen blev installeret på Context Camera's hele lager på omkring 112, 000 billeder. Kører på en supercomputerklynge hos JPL, der består af snesevis af højtydende computere, der kan fungere sammen med hinanden, en proces, der tager et menneske 40 minutter, tager AI-værktøjet i gennemsnit kun fem sekunder.

En udfordring var at finde ud af, hvordan man kører op til 750 kopier af klassificeringen på tværs af hele klyngen samtidigt, sagde JPL datalog Gary Doran. "Det ville ikke være muligt at behandle over 112, 000 billeder på rimelig tid uden at fordele arbejdet på mange computere, " sagde Doran. "Strategien er at dele problemet op i mindre stykker, der kan løses parallelt."

Men på trods af al den computerkraft, klassificereren kræver stadig, at et menneske kontrollerer dets arbejde.

"AI kan ikke lave den slags dygtige analyser, som en videnskabsmand kan, " sagde JPL datalog Kiri Wagstaff. "Men værktøjer som denne nye algoritme kan være deres assistenter. Dette baner vejen for en spændende symbiose mellem menneskelige og AI-efterforskere, der arbejder sammen for at fremskynde videnskabelig opdagelse."

Den 26. aug. 2020, HiRISE bekræftede, at en mørk plet opdaget af klassificeringsapparatet i en region kaldet Noctis Fossae faktisk var en klynge af kratere. Holdet har allerede indsendt mere end 20 yderligere kandidater, som HiRISE kan tjekke ud.

Mens denne kraterklassifikator kører på jordbundne computere, det ultimative mål er at udvikle lignende klassifikatorer, der er skræddersyet til brug ombord af fremtidige Mars-kredsløb. Lige nu, de data, der sendes tilbage til Jorden, kræver, at videnskabsmænd ser igennem for at finde interessante billeder, meget som at prøve at finde en nål i en høstak, sagde Michael Munje, en Georgia Tech kandidatstuderende, der arbejdede på klassificeringen som praktikant hos JPL.

"Håbet er, at i fremtiden, AI kunne prioritere kredsløbsbilleder, som videnskabsmænd er mere tilbøjelige til at være interesseret i, " sagde Munje.

Ingrid Daubar, en videnskabsmand med udnævnelser ved JPL og Brown University, som også var involveret i arbejdet, håber, at det nye værktøj kan give et mere komplet billede af, hvor ofte meteorer rammer Mars, og også afsløre små nedslag i områder, hvor de ikke er blevet opdaget før. Jo flere kratere der findes, jo mere videnskabsmænd tilføjer viden om størrelsen, form, og hyppigheden af ​​meteornedslag på Mars.

"Der er sandsynligvis mange flere påvirkninger, som vi ikke har fundet endnu, " sagde hun. "Dette fremskridt viser dig, hvor meget du kan gøre med veteranmissioner som MRO ved hjælp af moderne analyseteknikker."