NASA通过使用AI分析轨道图像数据在火星上发现了数十个新的陨石坑，这是研究我们太阳系中行星的有希望的新方法

在过去的15年中，NASA的火星侦察轨道飞行器一直在研究“红色星球”的气候和地质状况。每天，轨道器都会寄回图像和其他传感器数据的宝库，美国宇航局的科学家们利用这些数据和侦察器为漫游者寻找安全着陆点，并了解了行星上水冰的分布。科学家特别感兴趣的是轨道器的陨石坑照片，它们可以为了解地球的深厚历史提供一扇窗户。 NASA工程师仍在执行任务，从火星返回样品。没有岩石可以帮助他们根据地表条件校准远程卫星数据，在确定每个陨石坑的年龄和组成时，他们必须做很多有根据的猜测。

目前，他们需要其他方法来挑逗这些信息。一种经过实践检验的真实方法是从地球上最新的陨石坑的特征推断出最古老的陨石坑的年龄。由于科学家可以在几年甚至几周内知道最近的一些撞击点的年龄，因此他们可以将其用作确定更老的陨石坑的年龄和组成的基准。问题是找到它们。梳理行星上大量的图像数据以寻找新的影响的迹象是一件繁琐的工作，但这正是AI所要解决的问题。

去年底，美国宇航局的研究人员首次使用机器学习算法发现了新鲜的火星陨石坑。人工智能发现了其中数十个躲藏在火星侦察轨道飞行器的图像数据中，并揭示了一种有前途的新方法来研究整个太阳系中的行星。 NASA喷气推进实验室的计算机科学家，研究团队的负责人之一Kiri Wagstaff说：“从科学的角度来看，这令人兴奋，因为它增加了我们对这些功能的了解。” “数据一直存在，只是我们自己没有亲眼所见。”

Mars Reconnaissance Orbiter搭载了三个摄像头，但是Wagstaff和她的同事仅使用Context和HiRISE成像仪中的图像训练了AI。 Context是分辨率相对较低的灰度相机，而HiRISE使用有史以来最大的反射望远镜发送到深空，以生成分辨率比Google Maps所用图像高三倍的图像。

首先，向AI提供了近7,000张火星轨道照片，其中一些带有先前发现的陨石坑，而其他则没有任何陨石照片，以教授该算法如何检测新的打击。在分类器能够准确地检测出训练集中的陨石坑之后，Wagstaff和她的团队将算法加载到了喷气推进实验室的超级计算机上，并用它梳理了来自轨道飞行器的112,000张图像。

Wagstaff说：“底层的机器学习技术没有什么新意。” “我们使用了相当标准的卷积网络来分析图像数据，但是要能够大规模应用它仍然是一个挑战。那是我们在这里必须努力的事情之一。”

火星上最新的陨石坑很小，可能只有几英尺宽，这意味着它们在Context图像上显示为深色像素斑点。如果该算法将候选火山口的图像与同一地区的较早照片进行比较，并发现其缺少暗斑，则很有可能会发现一个新的火山口。较早图像的日期还有助于建立影响发生时间的时间表。

一旦AI确定了一些有前途的候选人，NASA的研究人员就可以使用轨道器的高分辨率相机进行一些后续观察，以确认陨石坑确实存在。去年八月，当轨道飞行器拍摄了由该算法识别出的一系列陨石坑时，研究小组获得了第一笔确认。这是AI首次在另一个星球上发现陨石坑。瓦格斯塔夫说：“不能保证会有新事物。” “但是它们很多，而我们最大的问题之一是，是什么使得它们更难找到？”

新的过程可能会大大加快在火星和其他行星上发现陨石坑的速度。在过去的15年中，从事火星侦察轨道飞行器计划的NASA科学家不得不手动搜索飞船的图像，单个图像可能需要四分之三小时的时间。布朗大学的行星科学家Ingrid Daubar说：“他们已经训练自己认识了这些新的陨石坑的模样，但这可能会非常耗时。”相比之下，新的AI可以在短短五秒钟内发现图像是否包含新的深色补丁。

除了帮助确定火星表面的年龄外，Daubar说陨石坑还可以教科学家很多有关火星表面的信息。例如，大约十年前，火星侦察轨道器发现了一个新的陨石坑，该陨石坑暴露了一些地下水冰。通过研究暴露的冰以及冰如何随时间消失，科学家们可以更好地了解冰在整个行星表面的分布方式。但这是一个偶然的发现。 Daubar希望AI能够定期检查图像以发现新的陨石坑的提示，并在形成陨石坑的几天或几周内向科学家发出警报，这将使我们对火星历史有更多了解。

Daubar说：“使用机器学习来真正探究大数据集并找到我们原本无法找到的东西的可能性确实令人兴奋。” “这个特殊的项目确定了60或70个我们从未见过的新火山口。但这仅仅是开始。我们期待找到更多。”

将来，Wagstaff和她的喷气推进实验室的同事们希望这种机器学习将在太空中完成，以进一步加快这一过程。像火星侦察轨道飞行器这样的航天器将能够处理自己的数据，而不是将所有图像发送回地球以在巨型超级计算机上进行处理。这将使任务更加灵活和响应迅速，因为轨道飞行器无需等待人类告诉它检查兴趣点。如果检测到可能的火山口，则可以立即使用更灵敏的仪器进行后续观察。而且由于火星轨道器迫切需要带宽，因此仅发送回显示表面有趣变化的图像，这也将有助于节省这一宝贵资源。

但就目前而言，这仍然是一个遥远的目标。陨石坑工作是美国宇航局一项名为Cosmic的更大计划的一部分，该计划旨在在轨道器本身上实现图像变化检测算法。虽然检测图像的变化是AI研究中众所周知的问题，但构建可在空间中运行变化检测算法的硬件却并非如此。瓦格斯塔夫（Wagstaff）及其研究小组在最近的火星陨石坑研究中使用了大型超级计算机中的75个核，其计算能力比火星轨道器高出多个数量级。

Wagstaff表示：“如果您想在船上进行计算，那么目前您所拥有的处理器种类非常有限。” “您没有大型超级计算机。您甚至没有多核处理器。因此，您放置在此处的任何内容都必须具有非常非常高的计算效率才能实现变更检测。”

将AI集成到未来的航天器中只会变得越来越重要。 随着技术的进步和数据传输速率的提高，NASA研究人员将不得不面对不断增长的信息泛滥。 但是，解决方案隐藏在庞大的搜索空间中的“大海捞针”问题正是机器学习旨在解决的挑战。 一旦我们有了由AI驱动的探险者漫游太阳系，谁知道我们会发现什么？ Gear利用我们Gear团队的最佳选择，优化您的家庭生活，从机器人吸尘器到负担得起的床垫再到智能扬声器