Någon gång mellan mars 2010 och maj 2012, en meteor strök över Marshimlen och bröts i bitar, smäller in i planetens yta. De resulterande kratrarna var relativt små - bara 13 fot (4 meter) i diameter. Ju mindre funktioner, desto svårare är de att upptäcka med hjälp av Mars-banor. Men i det här fallet – och för första gången – upptäckte forskare dem med lite extra hjälp:artificiell intelligens (AI).

Det är en milstolpe för planetforskare och AI-forskare vid NASA:s Jet Propulsion Laboratory i södra Kalifornien, som arbetade tillsammans för att utveckla verktyget för maskininlärning som hjälpte till att göra upptäckten. Framgången ger hopp om att både spara tid och öka volymen av fynd.

Vanligtvis, forskare spenderar timmar varje dag på att studera bilder tagna av NASA:s Mars Reconnaissance Orbiter (MRO), letar efter föränderliga ytfenomen som dammjäklar, laviner, och skiftande sanddyner. Under orbitarens 14 år på Mars, forskare har förlitat sig på MRO-data för att hitta över 1, 000 nya kratrar. De upptäcks vanligtvis först med rymdfarkostens kontextkamera, som tar lågupplösta bilder som täcker hundratals mil åt gången.

Endast sprängmärkena runt ett nedslag kommer att sticka ut på dessa bilder, inte de enskilda kratrarna, så nästa steg är att ta en närmare titt med High-Resolution Imaging Science Experiment, eller HiRISE. Instrumentet är så kraftfullt att det kan se detaljer lika fina som spåren som lämnats av Curiosity Mars-rover. (HiRISE-teamet tillåter vem som helst, inklusive medlemmar av allmänheten, för att begära specifika bilder via sin HiWish-sida.)

Processen kräver tålamod, det tar cirka 40 minuter för en forskare att noggrant skanna en enskild kontextkamerabild. För att spara tid, JPL-forskare skapade ett verktyg – kallat en automatiserad nyklassificerare av nedslagskrater – som en del av en bredare JPL-satsning som heter COSMIC (Capturing Onboard Summarization to Monitor Image Change) som utvecklar teknologier för framtida generationer av Mars-omloppsbana.

Att lära sig landskapet

För att träna kraterklassificeraren, forskare matade den 6, 830 kontextkamerabilder, inklusive platser med tidigare upptäckta effekter som redan hade bekräftats via HiRISE. Verktyget matades också med bilder utan nya effekter för att visa klassificeraren vad man inte ska leta efter.

Väl utbildad, klassificeraren var utplacerad på kontextkamerans hela arkiv på cirka 112, 000 bilder. Körs på ett superdatorkluster på JPL som består av dussintals högpresterande datorer som kan fungera tillsammans med varandra, en process som tar en människa 40 minuter tar AI-verktyget i genomsnitt bara fem sekunder.

En utmaning var att ta reda på hur man kör upp till 750 kopior av klassificeraren över hela klustret samtidigt, sa JPL-datavetaren Gary Doran. "Det skulle inte vara möjligt att behandla över 112, 000 bilder på en rimlig tid utan att fördela arbetet över många datorer, Doran sa. "Strategin är att dela upp problemet i mindre bitar som kan lösas parallellt."

Men trots all datorkraft, klassificeraren kräver fortfarande att en människa kontrollerar dess arbete.

"AI kan inte göra den sortens skickliga analys som en forskare kan, " sa JPL datavetare Kiri Wagstaff. "Men verktyg som den här nya algoritmen kan vara deras assistenter. Detta banar väg för en spännande symbios av mänskliga och AI-utredare som arbetar tillsammans för att påskynda vetenskapliga upptäckter."

Den 26 augusti, 2020, HiRISE bekräftade att en mörk fläck som upptäckts av klassificeraren i en region som heter Noctis Fossae i själva verket var ett kluster av kratrar. Teamet har redan skickat in fler än 20 ytterligare kandidater för HiRISE att checka ut.

Medan denna kraterklassificerare körs på jordbundna datorer, det slutliga målet är att utveckla liknande klassificerare skräddarsydda för användning ombord av framtida Mars-omloppsflygare. Just nu, data som skickas tillbaka till jorden kräver att forskare sållar igenom för att hitta intressanta bilder, ungefär som att försöka hitta en nål i en höstack, sa Michael Munje, en doktorand i Georgia Tech som arbetade med klassificeringen som praktikant på JPL.

"Förhoppningen är att i framtiden, AI skulle kunna prioritera orbitalbilder som forskare är mer benägna att vara intresserade av, sa Munje.

Ingrid Daubar, en vetenskapsman med utnämningar vid JPL och Brown University som också var involverad i arbetet, hoppas att det nya verktyget kan ge en mer komplett bild av hur ofta meteorer träffar Mars och även avslöja små nedslag i områden där de inte har upptäckts tidigare. Ju fler kratrar som hittas, ju mer forskare lägger till kunskapen om storleken, form, och frekvensen av meteornedslag på Mars.

"Det finns sannolikt många fler effekter som vi inte har hittat ännu, ", sa hon. "Detta framsteg visar hur mycket du kan göra med veteranuppdrag som MRO med modern analysteknik."