Сверточная нейронная сеть определит сколько кратеров на Луне

0
717

Луна захватывает воображение людей в течение многих тысяч лет, но число астрономических вопросов только растет.

Некоторые из ответов лежат в кратерах на поверхности Луны. Благодаря deep learning (машинному обучению) ученые могут видеть эти кратеры более четко, чем когда-либо прежде.

Изучение кратеров — особенно полезный способ изучения безвоздушных сред, таких как Луна, Меркурий и Марс, где топографические характеристики остаются относительно неизменными с течением времени из-за отсутствия погоды и геологической активности.

Более внимательный взгляд на эти кратеры дает ученым важные сведения об истории этого кратера и эволюции солнечной системы. Но до сих пор кратеры подсчитывались и измерялись вручную с использованием изображений или альтиметрических данных со спутников.

«Мы знаем о студентах-«счетчиках», чья дневная работа — снимать изображения Меркурия, Луны или Марса и подсчитывать каждый кратер вручную», — сказал Али-Диб. «Это чрезвычайно трудоемкая работа».

Он указывает на несколько проблем с ручным подсчетом. Для выполнения кропотливой и трудной работы требуется «армия подчиненных». И это ошибочная система, потому что у них могут быть разные критерии идентификации кратеров — не говоря уже о снижении точности, когда они устают.

Таким образом, Али-Диб, наряду с Ари Силбурт и их коллегами-исследователями в университете, разработал нейронную сеть, которая определила тысячи ранее не обнаруженных лунных кратеров за считанные часы.

Кратеры бывают всех форм и размеров, от достаточно больших, чтобы скрыть состояние Вермонта до крошечных, всего на пару метров. По разным оценкам, Марс насчитывает от 300 000 до более 635 000 кратеров, в то время как у Луны миллионы.

Ученым больше всего интересно выяснить распределение по размерам: сколько кратеров с заданным радиусом существует на поверхности. Это распределение говорит им, насколько велики и многочисленны метеориты, которые создали кратеры, что является информацией, которую астрофизики могут затем связать с теориями столкновения солнечной системы.

Когда обученная на изображениях Луны, сверточная нейронная сеть  достигла 92-процентной точности в обнаружении кратеров, которые уже были идентифицированы, — подтвердилась её способность правильно определять кратеры. Кроме того, модель глубокого обучения обнаружила 6 000 новых кратеров всего за несколько часов. Это почти вдвое больше, чем люди определили вручную в течение десятилетий исследований.

Большинство из них, отметил Али-Диб, были меньшими кратерами, которые команда надеялась захватить с нейронной сетью. Эти крошечные кратеры отсутствуют в существующих наборах данных, потому что они слишком малы и их слишком много, чтобы тратить дорогое человеческое время на запись.

Слева: образец изображения луны из тестовых данных. Центр: нейронная сеть исследователей успешно идентифицировала кратеры, которые ранее были закодированы вручную (синий), а также тысячи новых (красный). Справа: данные с ручной кодировкой, основанные на истине, используемые для оценки нейронной сети. Синие круги — кратеры, которые удачно сочетаются с методом исследователей, а фиолетовые круги — кратеры, пропущенные нейронной сетью.

Не только луна может использовать более близкий вид: подобные спутниковые данные для Меркурия и Марса существуют. Другие безвоздушные тела, такие как астероиды, кометы и некоторые луны гигантских планет, могут быть изучены в будущем.

Исследователи уже посмотрели на кратеры Меркурия, используя технику, называемую трансмиссионным обучением: они взяли свою нейронную сеть, которая была обучена лунным данным и использовала ее для анализа изображений Меркурия.

Источник: Фото и материалы — blogs.nvidia.com