Uczenie maszynowe pomoże znaleźć jaskinie na Marsie
Jaskinie na Marsie mogą być jednymi z najciekawszych miejsc do zbadania, ponieważ nie tylko zapewniłyby schronienie przyszłym kosmicznym odkrywcom, ale mogłyby być również doskonałym miejscem do znalezienia biosygnatur życia na Czerwonej Planecie.
Wejścia do marsjańskich jaskiń są trudne do zauważenia, zwłaszcza z orbity, ponieważ zlewają się z zapyloną powierzchnią planety. Nowy algorytm uczenia maszynowego został opracowany w celu szybkiego skanowania obrazów powierzchni Marsa w poszukiwaniu potencjalnych wejść do jaskiń.
Naukowcy Thomas Watson i James Baldini z Durham University w Wielkiej Brytanii wykorzystali konwolucyjną sieć neuronową (CNN), wyszkoloną do identyfikacji potencjalnych wejść do jaskiń (PCE) na podstawie obrazów powierzchni Marsa. Sieć była w stanie zidentyfikować 61 nowych wejść do jaskiń na podstawie obrazów w czterech różnych regionów planety. Badanie zostało opublikowane w czasopiśmie Icarus.
Jaskinie na Marsie, które były dotąd znane pochodzą z przeglądu zdjęć satelitarnych, wykonanych przez kamery Context Camera (CTX) i High-Resolution Imaging Science Experiment (HiRISE) sondy Mars Reconnaissance Orbiter (MRO). Baza danych z tego przeglądu o nazwie Mars Global Candidate Cave Catalogue (MGC3) zawiera współrzędne i krótkie opisy ponad tysiąca zidentyfikowanych PCE na Marsie.
„Ręczny przegląd zdjęć satelitarnych w celu wykrycia marsjańskich jaskiń jest daleki od wydajności w skali całej planety ze względu na ograniczenia czasowe związane z przeszukiwaniem tak dużego zbioru danych. Uczenie maszynowe przedstawia intrygujące rozwiązanie tego problemu, redukując zbiór danych tak, aby zawierał tylko obrazy, które zostały obliczeniowo określone jako zawierające jaskinie na Marsie” – twierdzą Watson i Baldini.
Jaskinie na Marsie są tworzone przez rury lawowe, które zostały uformowane przez płynącą lawę miliony lat temu. Gdy zewnętrzna część płynącej lawy ostygła i utworzyła sufit i ściany, wnętrze pozostawało stopione i płynęło dalej. Ostatecznie lawa wypływała z rury w kierunku spadku, pozostawiając jaskinie nienaruszoną i otwartą.
Rury lawowe występują również na Ziemi, Księżycu i Marsie. Mimo że nasza planeta jest większa niż Mars, na nim znaleziono niewiarygodnie duże rury lawowe, większe niż te obecne na Ziemi. Na naszej planecie rury lawowe mają zwykle tylko 14-15 metrów szerokości i zazwyczaj są znacznie węższe. W 2020 roku kamera HiRISE (High-Resolution Imaging Science Experiment) na orbiterze NASA Mars Reconnaissance Orbiter (MRO) wykonała zdjęcie zawalonego sufitu tuby lawowej, której krater miał 50 m średnicy.
Zwykłe sieci neuronowe są powszechnie wykorzystywane do przetwarzania języka naturalnego i rozpoznawania mowy. CNN lub ConvNets są jednak częściej wykorzystywane do klasyfikacji i zadań związanych z wizją komputerową. CNN mogą rozpoznawać wzorce na obrazach i zapewniać klasyfikację obrazów i rozpoznawanie obiektów w projektach dużych i małych. W jednym z poprzednich badań, CNN zostały przeszkolone do rozpoznawania cech powierzchni Marsa, takich jak kratery, i osiągnęły dokładność ponad 90 proc.
Watson i Baldini stworzyli i wytrenowali swój model CNN o nazwie CaveFinder, zlecając mu przeglądanie obrazów z katalogu MGC3 z regionów Tharsis i Elysium na Marsie, w których występuje największe stężenie wulkanów.
Po okresie szkolenia CaveFinder osiągnął dokładność testową na poziomie 77 proc. Znalazł cztery jaskinie na Marsie, które Watson i Baldini podkreślili ze względu na ich szczególne cechy, które czynią je interesującymi do dalszych badań. W tym PCE o pseudonimie Marvin, która była największą zidentyfikowaną jaskinią.
Ponadto CaveFinder zidentyfikował dwanaście regionów, które wydają się mieć wiele PCE, co według autorów jest doskonałym miejscem do eksploracji jaskiń w ramach przyszłej misji, ze względu na bliskość i obfitość PCE.
Naukowcy twierdzą jednak, że CaveFinder wymaga więcej pracy, zanim zostanie wykorzystany w dużej bazie danych obejmującej całą planetę. W czasie badania wystąpiła duża liczba fałszywych alarmów i wydaje się, że uczenie maszynowe ma ograniczoną zdolność do identyfikowania „samotnych małych jaskiń”.
W czasie przyszłych testów badacze planują zwiększyć rozmiar używanego zestawu danych szkoleniowych. Inne pomysły na poprawę dokładności CaveFindera to wykorzystanie zdjęć termowizyjnych wraz z danymi widzialnymi. Obrazy o wyższej rozdzielczości z przyszłego orbitera Marsa byłyby również korzystne dla zwiększenia wykrywalności i dokładności uczenia maszynowego.
„Wyniki tego badania wskazują, że dzięki tym dodatkom uczenie maszynowe ma ogromny potencjał, aby przyspieszyć zdalne wykrywanie jaskiń, co jest kluczem do przyszłej eksploracji Marsa” – podsumowują naukowcy.
Emil Gołoś
