Künstliche Intelligenz hilft, Krater auf dem Mond zu zählen
Ein internationales Forscherteam verwendete Algorithmen für maschinelles Lernen, um über 100.000 Mondkrater zu zählen und abzubilden.
Frühere Arbeiten zur Identifizierung und Lokalisierung von Kratern auf dem Mond haben gezeigt, dass dieser Prozess sehr langwierig ist - normalerweise wurde er manuell durchgeführt, indem Fotos untersucht und dann anhand der erhaltenen Informationen Karten erstellt wurden. In einer neuen Studie haben Wissenschaftler einen Weg gefunden, diesen Prozess dramatisch zu beschleunigen, indem sie einen Computer trainieren, um Krater zu identifizieren und sie dann zu zählen.
Einem Computer das Erkennen von Kratern beizubringen, ist eine Herausforderung, da Krater viele Formen annehmen können. Nicht alle Krater sind regelmäßige Ringe, während alle Krater unterschiedlichen Alters sind. Daher werden in den ältesten Kratern die bestimmenden Merkmale unter dem Einfluss von Erosionsprozessen „ausgewaschen“. Wissenschaftler wollten die Positionen aller Krater auf der Mondoberfläche kartieren und jeden Krater datieren - um ein leistungsfähiges Werkzeug für die Untersuchung der Geschichte unseres Sonnensystems bereitzustellen.
Dieser neue Ansatz beinhaltete das Trainieren eines Algorithmus für maschinelles Lernen, um die zugrunde liegende Struktur des Kraters zu erkennen. Der Algorithmus wurde dann trainiert, um Krater in einem breiteren Kontext zu erkennen, basierend auf Datenanalysen von Chinas Mondorbitern Chang'e-1 und Chang'e-2. Nachdem das System endlich fertiggestellt war, wendeten die Forscher es auf die Analyse von Daten an, die mit dem Chang'e-5-Lander gesammelt wurden, der Teil der chinesischen Mission war, Bodenproben von der Mondoberfläche zurückzugeben. Ein Algorithmus für maschinelles Lernen verwendete diese Daten, um Krater in mittleren und niedrigen Mondbreiten zu identifizieren und zu zählen. Dieses neue System zählte insgesamt 109.956 Krater - weit mehr als jemals zuvor für den Mond. Es war auch möglich, die genaue Position jedes Kraters und das ungefähre Alter basierend auf dem Erosionsgrad der Hauptstrukturkomponenten des Kraters zu bestimmen.
Die Forschung wird in der Zeitschrift Nature Communications veröffentlicht; Hauptautor Chen Yang.