Un metodo di scansione lunare in grado di classificare automaticamente importanti caratteristiche lunari dalle immagini dei telescopi. Un approccio che potrebbe migliorare significativamente l’efficienza della selezione dei siti per l’esplorazione del nostro satellite.
L’area visibile della superficie lunare è più grande della Russia ed è segnata da migliaia di crateri e attraversata da solchi simili a canyon. La scelta dei futuri siti di atterraggio ed esplorazione deve tener conto delle migliori opportunità per realizzare costruzioni, trovare minerali o sfruttare le potenziali risorse energetiche. Tuttavia, la scansione ad occhio di un’area così ampia, alla ricerca di elementi di qualche centinaio di metri di diametro, è laboriosa e spesso imprecisa, il che rende difficile scegliere le aree ottimali per l’esplorazione.
Siyuan Chen, Xin Gao e Shuyu Sun, insieme ai colleghi dell’Università cinese di Hong Kong, hanno ora applicato l’apprendimento automatico e l’intelligenza artificiale (AI) per automatizzare l’identificazione delle potenziali aree di atterraggio ed esplorazione lunare.
«Stiamo cercando caratteristiche lunari come crateri e solchi, che si pensa siano punti caldi per risorse energetiche come l’uranio e l’elio-3, una risorsa promettente per la fusione nucleare», afferma Chen. «Entrambi sono stati rilevati nei crateri lunari e potrebbero essere risorse utili per rifornire di carburante i veicoli spaziali».
L’apprendimento automatico è una tecnica molto efficace per “allenare” un modello di intelligenza artificiale a cercare determinate caratteristiche da solo. Il primo problema affrontato da Chen e dai suoi colleghi era che non esisteva un set di dati etichettato per i solchi che potesse essere utilizzato per addestrare il loro modello.
«Abbiamo superato questa sfida costruendo il nostro set di dati di addestramento con annotazioni sia per i crateri che per i solchi», afferma Chen. «Per fare ciò, abbiamo utilizzato un approccio chiamato apprendimento di trasferimento per preaddestrare il nostro modello».
La sfida successiva è stata lo sviluppo di un approccio computazionale che potesse essere utilizzato per identificare contemporaneamente sia crateri che solchi, cosa che non era mai stata fatta prima.
«Questo è un problema pixel-to-pixel per il quale dobbiamo mascherare accuratamente i crateri e i solchi in un’immagine lunare”, afferma Chen. “Abbiamo risolto questo problema costruendo un framework di deep learning chiamato high-resolution-moon-net, che ha due reti indipendenti che condividono la stessa architettura di rete per identificare contemporaneamente crateri e solchi».
L’approccio del team ha raggiunto una precisione dell’83,7%, superiore ai metodi all’avanguardia esistenti per il rilevamento dei crateri.