کمک گرفتن از هوش مصنوعی برای بررسی دهانه‌های مریخ

هوش مصنوعی به دانشمندان در کشف دهانه‌های مریخ کمک می کند

در تاریخی بین ماه مارس ۲۰۱۰ و می ۲۰۱۲ ، شهاب سنگی در آسمان مریخ افتاد و با شکستن در سطح سیاره، تکه تکه شد. دهانه های حاصل شده نسبتاً کوچک بودند و فقط ۴ متر قطر داشتند. هرچه ویژگی‌های دهانه‌ها کوچکتر باشد، ردیابی آنها با استفاده از مدارگرد مریخ دشوارتر است. اما در این مورد – و برای اولین بار – دانشمندان این دهانه‌ها را با کمک هوش مصنوعی (AI) مشاهده کردند.

این یک نقطه عطف برای دانشمندان سیاره‌ای و محققان هوش مصنوعی در آزمایشگاه پیشرانه جت ناسا در جنوب کالیفرنیا است که با همکاری یکدیگر ابزار یادگیری ماشین را که به این کشف کمک کرده است، توسعه دادند. این موفقیت امید به صرفه جویی در وقت و افزایش حجم یافته‌ها را به همراه دارد.

به طور معمول، دانشمندان هر روز ساعت ها به مطالعه تصاویر گرفته شده توسط مدارگرد Mars Reconnaissance Orbiter (MRO) ناسا می پردازند و بدنبال تغییر پدیده های سطحی مانند تنوره‌های دیو ، بهمن و جابجایی تپه های شنی هستند. در ۱۴ سال مدارگرد در مریخ، دانشمندان با استفاده از داده های MRO بیش از ۱۰۰۰ دهانه جدید کشف کرده اند. آنها معمولاً برای اولین بار با دوربین متنی فضاپیما شناسایی میشوند که با وضوح پایین تصاویر صدها مایل را همزمان می گیرد.

فقط علائم انفجار حول یک ضربه در این تصاویر برجسته خواهد بود l، نه دهانه های منفرد، بنابراین گام بعدی بررسی دقیق تر با آزمایش علم تصویربرداری با وضوح بالا یا HiRISE است. این ابزار به قدری قدرتمند است که می‌تواند جزئیات را به خوبی فرکانس‌های باقی مانده از مریخ نورد “mars curiosity ” ببیند. (تیم HiRISE به هر کسی، از جمله افراد جامعه ، اجازه می دهد تصاویر خاص را از طریق صفحه HiWish خود درخواست کنند.)

این فرایند به صبر کردن و حوصله نیاز دارد، در حدود ۴۰ دقیقه زمان لازم است تا یک محقق بتواند با دقت یک تصویر از دوربین متنی را اسکن کند. برای صرفه جویی در وقت، محققان JPL ابزاری ایجاد کردند – به نام طبقه بندی کننده خودکار دهانه – به عنوان بخشی از تلاش گسترده تر JPL به نام COSMIC (گرفتن خلاصه پردازنده برای نظارت بر تغییر تصویر) که فناوری هایی را برای نسل های بعدی مدارگرد مریخ توسعه می دهد.

برای آموزش طبقه بندی دهانه‌های مریخ ، محققان به آن ۶،۸۳۰ عکس دوربین متنی، از جمله مکان‌هایی با تأثیرات قبلاً کشف شده که از قبل با HiRISE تأیید شده بودند ، تغذیه کردند. این ابزار همچنین با استفاده از تصاویر بدون تأثیر تازه به منظور طبقه بندی آنچه را که نباید جستجو کند ، نشان داده می شود.

پس از آموزش، طبقه بندی در کل مخزن Context Camera با حدود ۱۱۲۰۰۰ تصویر مستقر شد. در حال اجرا بر روی یک خوشه ابر رایانه در JPL متشکل از ده‌ها کامپیوتر با کارایی بالا است که می توانند با یکدیگر کار کنند، روندی که برای انسان ۴۰ دقیقه طول می کشد به طور متوسط فقط پنج ثانیه به ابزار AI می رسد.

گری دوران ، دانشمند کامپیوتر JPL گفت، یک چالش این بود که بفهمیم چگونه می توان حداکثر ۷۵۰ نسخه از طبقه بندی را به طور همزمان در کل خوشه اجرا کرد. دوران گفت: “پردازش بیش از ۱۱۲،۰۰۰ تصویر در یک زمان معقول و بدون توزیع کار در بسیاری از رایانه ها امکان پذیر نیست.” “این استراتژی تقسیم مسئله به قطعات کوچکتر است که به طور موازی قابل حل است.”

اما با وجود آن همه قدرت محاسباتی، طبقه بندی کننده هنوز هم به یک انسان نیاز دارد تا کار خود را بررسی کند.

کری وگستاف، دانشمند کامپیوتر JPL گفت: “هوش مصنوعی نمی تواند نوعی تحلیل ماهرانه را که یک دانشمند می تواند انجام دهد.” “اما ابزاری مانند این الگوریتم جدید می تواند دستیار آنها باشد. این زمینه را برای همزیستی هیجان انگیز” محققان “انسان و هوش مصنوعی که برای تسریع در کشف علمی همکاری می کنند هموار می کند.”

در تاریخ ۲۶ اوت سال ۲۰۲۰ ، HiRISE تأیید کرد که یک لکه تاریک که توسط طبقه بندی کننده در منطقه ای به نام Noctis Fossae شناسایی شده است، که در واقع خوشه دهانه‌ها است. این تیم در حال حاضر بیش از ۲۰ نامزد اضافی برای HiRISE برای بررسی ارسال کرده است.

در حالی که این طبقه‌بندی دهانه بر روی رایانه‌های محدود به زمین کار می کند
، هدف نهایی این است که طبقه‌بندی کننده های مشابهی را برای استفاده در مدارهای آینده مریخ طراحی کنیم. مایکل مونجه، دانشجوی فارغ التحصیل فناوری جورجیا که برای طبقه بندی به عنوان کارآموز در JPL کار می کند، گفت: در حال حاضر، داده‌های ارسال شده به زمین دانشمندان را برای یافتن تصاویر جالب وادار به غربالگری میکند، دقیقاً مانند تلاش برای یافتن یک سوزن در انبار کاه.

مونجه گفت: “امید این است که در آینده، هوش مصنوعی بتواند تصاویر مداری را که دانشمندان بیشتر به آن علاقه دارند، در اولویت قرار دهد.”

اینگرید داوبار، دانشمندی با انتصابات در JPL و دانشگاه براون که در این کار نیز نقش داشت، امیدوار است که این ابزار جدید بتواند تصویری کامل تر از میزان برخورد شهاب ها با مریخ ارائه دهد و همچنین تأثیرات کوچکی را در مناطقی که در آنها نبوده نشان دهد. قبلا کشف شده هرچه دهانه‌های بیشتری پیدا شود، دانشمندان بیشتر به دانش مربوط به اندازه، شکل و تعداد دفعات برخورد شهاب در مریخ می افزایند.

وی گفت: “احتمالاً تأثیرات بیشتری وجود دارد که هنوز آنها را پیدا نکرده ایم.” “این پیشرفت به شما نشان می دهد که با استفاده از تکنیک های تجزیه و تحلیل مدرن، چقدر می توانید در انجام ماموریت های کهنه کار مانند MRO انجام دهید.”