Выбор места для посадки или исследования на Луне - это больше, чем кажется на первый взгляд. Видимая область лунной поверхности больше, чем у России, испещрена тысячами кратеров и пересечена каньоноподобными бороздками. Выбор будущих мест высадки и разведки может сводиться к наиболее многообещающим перспективным местам для строительства, полезных ископаемых или потенциальных энергоресурсов.

Однако сканирование на глаз на такой большой площади в поисках объектов, возможно, в несколько сотен метров в поперечнике, является трудоемким и часто неточным, что затрудняет выбор оптимальных участков для исследования.

Сиюань Чен, Синь Гао и Шую Сунь вместе с коллегами из Китайского университета Гонконга применили машинное обучение и искусственный интеллект (ИИ) для автоматизации определения предполагаемых мест посадки и исследования Луны.

«Мы ищем особенности Луны, такие как кратеры и борозды, которые считаются горячими точками для энергетических ресурсов, таких как уран и гелий-3 - многообещающий ресурс для ядерного синтеза», - говорит Чен. «Оба были обнаружены в кратерах Луны и могут быть полезными ресурсами для пополнения запасов топлива для космических кораблей».

Луна - Изображение предоставлено: НАСА / GSFC / Государственный университет Аризоны

Машинное обучение - очень эффективный метод обучения модели ИИ самостоятельному поиску определенных функций. Первая проблема, с которой столкнулись Чен и его коллеги, заключалась в том, что не существовало помеченного набора данных для рилл, который можно было бы использовать для обучения их модели.

«Мы преодолели эту проблему, создав собственный набор обучающих данных с аннотациями как для кратеров, так и для бороздок», - говорит Чен. «Для этого мы использовали подход, называемый трансферным обучением, для предварительного обучения нашей модели бороздок на наборе данных о трещинах на поверхности с некоторой тонкой настройкой с использованием реальных масок бороздок. Предыдущие подходы требовали ручного аннотирования по крайней мере части входных изображений - наш подход не требует вмешательства человека и, таким образом, позволил нам создать большой высококачественный набор данных ».

Следующей задачей было разработать вычислительный подход, который можно было бы использовать для одновременного определения кратеров и бороздок, чего раньше не делали.

«Это проблема от пикселя к пикселю, для которой нам необходимо точно замаскировать кратеры и борозды на лунном изображении», - говорит Чен.

«Мы решили эту проблему, построив структуру глубокого обучения под названием high-resolution-moon-net, в которой есть две независимые сети с одинаковой сетевой архитектурой для одновременного выявления кратеров и бороздок».

Подход команды позволил достичь точности 83,7%, что выше, чем у существующих современных методов обнаружения кратеров.