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, пишет Engineer.

Машинное обучение зарекомендовало себя как крайне эффективный способ обучения моделей ИИ распознавать определенные закономерности в изображениях — медицинских или астрономических. Однако для их обучения требуются 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, — пояснил Чэнь Сиюань, один из исследователей. — Для этого мы использовали метод трансферного обучения, чтобы предварительно обучить модель каньонов на базе данных трещин с дополнительной настройкой с масками реальных каньонов. Предыдущие подходы требовали ручного аннотирования по крайней мере части изображений — но наш подход не нуждается во вмешательстве человек, позволяя, таким образом, создавать большие базы данных высокого качества».

Следующей трудностью 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.

Идеальное место для высадки людей на Марс обнаружили ученые NASA. Это обширный регион, где водяной лед подходит к самой поверхности. Место может идеально подойти для добычи ресурсов на планете, самый важный из которых — вода.