Um método de varredura lunar que pode classificar automaticamente características lunares importantes a partir de imagens do telescópio pode melhorar significativamente a eficiência da seleção de locais para exploração.

Há mais do que aparenta para escolher um local de pouso ou exploração na lua. A área visível da superfície lunar é maior do que a Rússia e é marcada por milhares de crateras e entrecruzada por canais em forma de cânion. A escolha de futuros locais de pouso e exploração pode se resumir aos locais mais promissores para construção, minerais ou recursos energéticos potenciais. Contudo, escaneando uma área tão grande, procurando recursos de talvez algumas centenas de metros de largura, é trabalhoso e muitas vezes impreciso, o que torna difícil escolher as áreas ideais para exploração.

Siyuan Chen, Xin Gao e Shuyu Sun, junto com colegas da Universidade Chinesa de Hong Kong, agora aplicaram aprendizado de máquina e inteligência artificial (IA) para automatizar a identificação de áreas de aterrissagem lunar e exploração.

"Estamos procurando características lunares, como crateras e canais, que são considerados hotspots para recursos energéticos como urânio e hélio-3 - um recurso promissor para a fusão nuclear, "disse Chen." Ambos foram detectados em crateras lunares e podem ser recursos úteis para reabastecer o combustível de naves espaciais. "

O aprendizado de máquina é uma técnica muito eficaz para treinar um modelo de IA para procurar determinados recursos por conta própria. O primeiro problema enfrentado por Chen e seus colegas foi que não havia um conjunto de dados rotulado para canais que pudesse ser usado para treinar seu modelo.

"Superamos esse desafio construindo nosso próprio conjunto de dados de treinamento com anotações para crateras e canais, "diz Chen." Para fazer isso, usamos uma abordagem chamada aprendizagem de transferência para pré-treinar nosso modelo de canal em um conjunto de dados de rachadura de superfície com algum ajuste fino usando máscaras de canal reais. Abordagens anteriores exigem anotação manual para pelo menos parte das imagens de entrada - nossa abordagem não requer intervenção humana e, portanto, nos permitiu construir um grande conjunto de dados de alta qualidade. "

O próximo desafio foi desenvolver uma abordagem computacional que pudesse ser usada para identificar crateras e canais ao mesmo tempo, algo que não havia sido feito antes.

"Este é um problema pixel a pixel para o qual precisamos mascarar com precisão as crateras e canais em uma imagem lunar, "diz Chen." Resolvemos esse problema construindo uma estrutura de aprendizagem profunda chamada rede lunar de alta resolução, que tem duas redes independentes que compartilham a mesma arquitetura de rede para identificar crateras e canais simultaneamente. "

A abordagem da equipe atingiu a precisão de 83,7 por cento, superior aos métodos de última geração existentes para detecção de crateras.