Brug AI til at opdage landings- og udforskningssteder på månen

En månescanningsmetode, der automatisk kan klassificere vigtige månetræk fra teleskopbilleder, kunne forbedre effektiviteten af ​​udvælgelsen af ​​steder til udforskning markant.

Der er mere, end man kan se, at vælge et landings- eller udforskningssted på månen. Det synlige område af månens overflade er større end Rusland og er pockmarkeret af tusindvis af kratere og krydset af canyonlignende riller. Valget af fremtidige landings- og efterforskningssteder kan komme ned til de mest lovende potentielle steder for byggeri, mineraler eller potentielle energiressourcer. Imidlertid, scanning med øje på et så stort område, leder efter funktioner måske et par hundrede meter på tværs, er besværligt og ofte unøjagtigt, hvilket gør det svært at udvælge optimale områder til udforskning.

Siyuan Chen, Xin Gao og Shuyu Sun, sammen med kolleger fra The Chinese University of Hong Kong, har nu anvendt maskinlæring og kunstig intelligens (AI) til at automatisere identifikation af potentielle månelandings- og udforskningsområder.

"Vi leder efter månetræk som kratere og riller, som menes at være hotspots for energiressourcer som uran og helium-3 - en lovende ressource til nuklear fusion, " siger Chen. "Begge er blevet opdaget i månekratere og kunne være nyttige ressourcer til at genopfylde rumfartøjets brændstof."

Maskinlæring er en meget effektiv teknik til at træne en AI-model til at lede efter bestemte funktioner på egen hånd. Det første problem, Chen og hans kolleger stod over for, var, at der ikke var noget mærket datasæt til riller, der kunne bruges til at træne deres model.

"Vi overvandt denne udfordring ved at konstruere vores eget træningsdatasæt med annoteringer til både kratere og riller, " siger Chen. "For at gøre dette, vi brugte en tilgang kaldet transfer learning til at fortræne vores rille-model på et overfladerevnedatasæt med nogle finjusteringer ved hjælp af faktiske rille-masker. Tidligere tilgange kræver manuel annotering for i det mindste en del af inputbillederne - vores tilgang kræver ikke menneskelig indgriben og gjorde det muligt for os at konstruere et stort datasæt af høj kvalitet."

Den næste udfordring var at udvikle en beregningsmetode, der kunne bruges til at identificere både kratere og riller på samme tid, noget, der ikke var blevet gjort før.

"Dette er et pixel-til-pixel-problem, for hvilket vi er nødt til nøjagtigt at maskere kraterne og rillerne i et månebillede, " siger Chen. "Vi løste dette problem ved at konstruere en dyb læringsramme kaldet high-resolution-moon-net, som har to uafhængige netværk, der deler den samme netværksarkitektur for at identificere kratere og riller samtidigt."

Holdets tilgang opnåede præcision så høj som 83,7 procent, højere end eksisterende state-of-the-art metoder til kraterdetektion.