Ett team av forskare knutna till flera institutioner i Kina, en från Italien och en från Island har använt en maskininlärningsapplikation för artificiell intelligens för att räkna och notera platsen för över 100, 000 kratrar på månen. I deras papper publicerad i tidskriften Naturkommunikation, gruppen beskriver programmering av sitt system för att känna igen kratrar genom att träna det med data som samlats in av kinesiska månbanor.

Tidigare arbete med att identifiera och kartlägga kratrar på månen har tenderat att vara en långsam process - det har vanligtvis gjorts för hand, med forskare som studerar fotografier och överför dessa observationer till kartor eller månklot. I denna nya ansträngning, forskarna har hittat ett sätt att dramatiskt påskynda processen genom att lära en dator att identifiera kratrar och sedan räkna dem.

Att lära en dator att känna igen kratrar på månen har varit en svår process på grund av de många former kratrar kan ta. Alla är inte runda, och de är i olika åldrar, vilket innebär att definierande egenskaper har eroderats under långa tidsperioder. Forskare skulle vilja kartlägga alla kratrar på månen och datera var och en av dem – det kan ge ett unikt sätt att studera solsystemets historia.

Det nya tillvägagångssättet från teamet som arbetade i Kina innebar att man tränade en maskininlärningsapplikation om grunderna i kratrar. Den tränades sedan för att se kratrar med ett bredare perspektiv med data från Kinas månbanor Chang'e-1 och Chang'e-2. När systemet väl hade lärt sig vad det skulle leta efter, forskarna använde den för att analysera data från Chang'e 5-landaren, som var en del av det kinesiska uppdraget som hämtade stenar från månens yta. AI-appen använde dessa data för att identifiera och räkna kratrar på månens medel- och låglatitudområden. Det nya systemet räknade 109, 956 kratrar — mycket fler än någonsin som har räknats på månen tidigare. Den höll också reda på platsen för var och en av kratrarna den hittade och placerade var och en i en fördefinierad geologisk tidsperiod baserat på hur mycket kratern hade eroderats.

© 2020 Science X Network