Kunstmatige intelligentie helpt bij het classificeren van nieuwe kraters op Mars.

Een innovatief hulpmiddel voor kunstmatige intelligentie (AI), ontwikkeld door NASA, heeft geholpen bij het identificeren van een cluster van kraters op Mars die zich in het afgelopen decennium hebben gevormd.

De nieuwe machine learning algoritme, een geautomatiseerde verse inslagkrater classifier, werd gemaakt door onderzoekers van NASA’s Jet Propulsion Laboratory (JPL) in Californië – en vertegenwoordigt de eerste keer dat kunstmatige intelligentie is gebruikt om voorheen onbekende kraters op het identificeren van de Rode Planeet , volgens op een verklaring van NASA . 

Een weergave met hoge resolutie van een recente cluster van kraters op Mars die een hulpmiddel voor kunstmatige intelligentie identificeerde; 
deze mening komt van het HiRise-instrument van MRO.
(Afbeelding: © NASA / JPL-Caltech / University of Arizona)

Wetenschappers hebben het algoritme meer dan 112.000 afbeeldingen gegeven die zijn gemaakt door de Context Camera op NASA’s Mars Reconnaissance Orbiter (MRO). Het programma is ontworpen om de foto’s te scannen op veranderingen in oppervlakkenmerken van Mars die duiden op nieuwe kraters. In het geval van de eerste reeks vondsten van het algoritme, denken wetenschappers dat deze kraters zijn ontstaan ​​door een meteoorinslag tussen maart 2010 en mei 2012. 

Gerelateerd: Nieuwste foto’s van NASA’s Mars Reconnaissance Orbiter

FilmpjeZie deze video op space.com

“AI kan niet het soort bekwame analyse uitvoeren dat een wetenschapper kan”, zei Kiri Wagstaff, computerwetenschapper bij JPL, in de verklaring. “Maar tools zoals dit nieuwe algoritme kunnen hun assistenten zijn. Dit maakt de weg vrij voor een opwindende symbiose van menselijke en AI-‘onderzoekers ‘die samenwerken om wetenschappelijke ontdekkingen te versnellen.”

De contextcamera van MRO maakt beelden met een lage resolutie die honderden mijlen of kilometers per keer afleggen. Hoewel dit instrument kan helpen bij het lokaliseren van ontploffingspunten rond een inslag en kan bepalen waar ze een krater op het aardoppervlak moeten zoeken, vertrouwen wetenschappers op het High-Resolution Imaging Science Experiment (HiRISE) -instrument van de MRO om fijnere details vast te leggen en individuele kraters te identificeren .

Kleine oppervlaktefuncties op Mars kunnen echter moeilijk te herkennen zijn met alleen orbiters. Dit proces vereist over het algemeen dat wetenschappers elke dag vele uren besteden aan het bestuderen van beelden die zijn gemaakt door ruimtevaartuigen zoals MRO. Daarom zou het algoritme van dekraterclassificatie onderzoekers tijd moeten besparen en nog meer kraters op de Rode Planeet moeten identificeren, aldus de verklaring. 

“Het zou niet mogelijk zijn om in een redelijke tijd meer dan 112.000 afbeeldingen te verwerken zonder het werk over veel computers te verspreiden”, zei Gary Doran, een computerwetenschapper bij JPL, in de verklaring. “De strategie is om het probleem op te splitsen in kleinere stukjes die parallel kunnen worden opgelost.”

Een afbeelding van de Context Camera met lage resolutie van MRO toont een donkere vlek die het nieuwe hulpmiddel voor kunstmatige intelligentie voor het eerst op Mars markeerde, linksonder in de afbeelding. (Afbeelding tegoed: NASA / JPL-Caltech / MSSS)

NASA-onderzoekers hebben de kraterclassificator geprogrammeerd met 6.830 afbeeldingen gemaakt door de contextcamera. Dit proces omvatte foto’s van gebieden waar mensen eerder inslagen hadden geïdentificeerd , evenals gebieden zonder kraters, zodat de tool kon leren om de oppervlaktekenmerken op de rode planeet goed te onderscheiden. 

Onderzoekers hebben vervolgens de kraterclassificator op de proef gesteld door de tool 112.000 afbeeldingen te voeden die zijn gemaakt met de contextcamera. De AI-tool identificeerde een cluster van kraters in een gebied op Mars genaamd Noctis Fossae, wat onderzoekers bevestigden met behulp van het HiRISE-instrument . De tool detecteerde 20 extra interessegebieden die wetenschappers in meer detail zullen onderzoeken op kraters.

NASA hoopt vergelijkbare classificatietechnologie te gebruiken op toekomstige Mars-banen, die de orbitale beelden zouden kunnen verkleinen voor wetenschappers om verder te onderzoeken en een vollediger beeld te geven van hoe vaak meteoren Mars treffen. 

“Er zijn waarschijnlijk nog veel meer effecten die we nog niet hebben gevonden”, zei Ingrid Daubar, een wetenschapper aan JPL en Brown University, die hielp bij het ontwikkelen van de kraterclassificator. “Deze vooruitgang laat je zien hoeveel je kunt doen met veteraanmissies zoals MRO met behulp van moderne analysetechnieken.”


Gepubliceerd op: Space.com

Volg Samantha Mathewson @ Sam_Ashley13. Volg ons op Twitter @Spacedotcom en op Facebook.

Geef een reactie