En ny teknik utvecklad av forskare vid U of T Scarborough använder samma teknik bakom självkörande bilar för att mäta storleken och platsen för kraterpåverkan på månen.

"När det gäller att räkna kratrar på månen, det är en ganska arkaisk metod, " säger Mohamad Ali-Dib, en postdoktor vid Center for Planetary Sciences (CPS).

"I grund och botten måste vi manuellt titta på en bild, lokalisera och räkna kratrarna och beräkna sedan hur stora de är baserat på storleken på bilden. Här har vi utvecklat en teknik från artificiell intelligens som kan automatisera hela denna process som sparar mycket tid och ansträngning."

Forskare har tidigare försökt att utveckla algoritmer som kunde identifiera och räkna månkratrar men när de användes på nya, tidigare osynliga fläckar av kratrar de tenderade att fungera dåligt. Som jämförelse, tekniken utvecklad av Ali-Dib och hans kollegor kan mycket väl generalisera till osynliga månfläckar, och även andra kraterförsedda kroppar som Merkurius.

"Det är första gången vi har en algoritm som kan detektera kratrar riktigt bra för inte bara delar av månen, men också områden av Merkurius, säger Ali-Dib, som utvecklade tekniken tillsammans med Ari Silburt, Chenchong Charles Zhu och en grupp forskare vid CPS och Canadian Institute for Theoretical Astrophysics (CITA).

För att bestämma dess noggrannhet, forskarna tränade först det neurala nätverket på en stor datamängd som täcker två tredjedelar av månen, och testade sedan sitt tränade nätverk på den återstående tredjedelen av månen. Det fungerade så bra att det kunde identifiera dubbelt så många kratrar som traditionell manuell räkning. Faktiskt, den kunde identifiera cirka 6, 000 tidigare oidentifierade kratrar på månen.

Tekniken i sig bygger på ett konvolutionellt neuralt nätverk, en klass av maskininlärningsalgoritmer som framgångsrikt har använts för datorseende för att driva robotar och till och med självkörande bilar. Datan som användes av algoritmerna togs från höjdkartor som samlats in från satelliter i omloppsbana.

Även om ingen av forskarna hade tidigare erfarenhet av kraterräkning, de kunde utveckla tekniken som ett resultat av en serie workshops som hölls på U of T Scarborough anordnade av docent Kristen Menou och flera av författarna om hur maskininlärning och djupinlärning kan hjälpa till att tackla specifika vetenskapliga problem.

"Tiotusentals oidentifierade små kratrar finns på månen, och det är orealistiskt för människor att effektivt karakterisera dem alla med ögat, säger Silburt, en före detta doktorand vid U of T:s institution för astronomi och astrofysik.

"Det finns verklig potential för maskiner att hjälpa till att identifiera dessa små kratrar och avslöja oupptäckta ledtrådar om bildandet av vårt solsystem."

Att känna till storleken och placeringen av kratrar på kroppar som månen är viktigt eftersom det erbjuder ett fönster in i vårt solsystems historia. Genom att studera nedslagskratrar av alla former, storlekar och åldrar, forskare kan bättre förstå fördelningen av material och fysiken som inträffade i de tidiga stadierna av vårt solsystem, konstaterar Ali-Dib.

Eftersom månen saknar atmosfär, plattektonik och vatten, det förekommer lite erosion och som ett resultat är några nedslagskratrar så gamla som 4 miljarder år synliga. Åldrarna på stora kratrar kan också bestämmas genom att räkna hur många små kratrar som finns inuti den.

"För att den här tekniken ska fungera behöver du en luftlös kropp som månen eller Merkurius, kroppar där det är lite erosion som äger rum", tillägger Ali-Dib.

När det gäller nästa steg, Ali-Dib säger att planen är att ytterligare förbättra algoritmen så att forskare kan hitta fler kratrar, och att även testa det på andra solsystemkroppar som Mars, Ceres och Jupiters och Saturnus iskalla månar.

Forskningen, som för närvarande granskas i tidskriften Ikaros , fått finansiering från Natural Sciences and Engineering Research Council of Canada (NSERC).