Места для колоний на Луне поручат выбрать искусственному интеллекту
Источник:
EngineerВыбор мест будущей высадки и строительства колоний на Луне зависит от ряда факторов, в частности, доступности, наличия льда, минералов и других полезных ресурсов, но изучение снимков, сделанных телескопами, невооруженным глазом – трудный и не всегда эффективный процесс. Международная команда ученых применила метод машинного обучения для автоматического поиска и классификации лунных памятников.
Группа исследователей из университета KAUST (Саудовская Аравия) вместе с коллегами из Гонконга научила алгоритм искать в снимках поверхности Луны кратеры и борозды, которые могут указывать на месторождения урана и гелия-3, необходимых для ядерного синтеза.
Интересно На Луне создадут навигационную систему – на поверхности спутника "рассыпят" маяки
Машинное обучение зарекомендовало себя как крайне эффективный способ обучения моделей ИИ распознавать определенные закономерности в изображениях – медицинских или астрономических. Однако для их обучения нужны размеченные данные, и чем больше, тем лучше. Проблема в том, что для лунной поверхности таких данных не было.
Мы преодолели эту проблему, создав собственный тренировочный набор данных с аннотациями для кратеров и каньонов. Для этого мы использовали метод трансферного обучения, чтобы предварительно обучить модель каньонов на базе данных трещин с дополнительной настройкой с масками реальных каньонов,
– пояснил Чэнь Сиюань, один из исследователей.
Предыдущие подходы требовали ручного аннотирования по крайней мере части изображений – но подход команды исследователей не требует вмешательства человек, позволяя, таким образом, создавать большие базы данных высокого качества.
Успех алгоритма на базе ИИ
Следующим шагом стала разработка вычислительного подхода, который можно использовать для одновременной идентификации кратеров и каньонов. Раньше такого никто не делал.
Для того чтобы аккуратно нанести кратеры и каньоны на изображение поверхности Луны пиксель за пикселем, была создана платформа глубокого обучения с двумя независимыми нейронными сетями, одинаковыми по архитектуре.
Точность модели достигла 83,7% – это выше, чем у существующих моделей обнаружения кратеров.