Un método de escaneo lunar que pueda clasificar automáticamente las características lunares importantes a partir de las imágenes del telescopio podría mejorar significativamente la eficiencia de la selección de sitios para la exploración.

Hay más de lo que parece a simple vista para elegir un lugar de aterrizaje o exploración en la luna. El área visible de la superficie lunar es más grande que Rusia y está marcada por miles de cráteres y surcada por riachuelos en forma de cañón. La elección de futuros sitios de exploración y aterrizaje puede reducirse a las ubicaciones prospectivas más prometedoras para la construcción, minerales o recursos energéticos potenciales. Sin embargo, escaneando a simple vista un área tan grande, buscando elementos de tal vez unos cientos de metros de diámetro, es laborioso y a menudo inexacto, lo que dificulta la selección de áreas óptimas para la exploración.

Siyuan Chen, Xin Gao y Shuyu Sun, junto con colegas de la Universidad China de Hong Kong, ahora han aplicado el aprendizaje automático y la inteligencia artificial (IA) para automatizar la identificación de posibles áreas de exploración y aterrizaje lunar.

"Buscamos características lunares como cráteres y riachuelos, que se cree que son puntos críticos de recursos energéticos como el uranio y el helio-3, un recurso prometedor para la fusión nuclear, ", dice Chen." Ambos han sido detectados en cráteres lunares y podrían ser recursos útiles para reponer el combustible de las naves espaciales ".

El aprendizaje automático es una técnica muy eficaz para entrenar un modelo de IA para que busque determinadas características por sí mismo. El primer problema al que se enfrentaron Chen y sus colegas fue que no había un conjunto de datos etiquetado para rilles que pudiera usarse para entrenar su modelo.

"Superamos este desafío construyendo nuestro propio conjunto de datos de entrenamiento con anotaciones tanto para cráteres como para rillas, "dice Chen." Para hacer esto, Utilizamos un enfoque llamado aprendizaje de transferencia para preentrenar nuestro modelo de rille en un conjunto de datos de grietas en la superficie con algunos ajustes precisos utilizando máscaras de rille reales. Los enfoques anteriores requieren anotaciones manuales para al menos parte de las imágenes de entrada; nuestro enfoque no requiere intervención humana y, por lo tanto, nos permitió construir un gran conjunto de datos de alta calidad ".

El siguiente desafío fue desarrollar un enfoque computacional que pudiera usarse para identificar tanto cráteres como riachuelos al mismo tiempo, algo que no se había hecho antes.

"Este es un problema de píxel a píxel para el que necesitamos enmascarar con precisión los cráteres y riachuelos en una imagen lunar, ", dice Chen." Resolvimos este problema mediante la construcción de un marco de aprendizaje profundo llamado high-resolution-moon-net, que tiene dos redes independientes que comparten la misma arquitectura de red para identificar cráteres y riachuelos simultáneamente ".

El enfoque del equipo logró una precisión de hasta el 83,7 por ciento, más alto que los métodos de vanguardia existentes para la detección de cráteres.