За допомогою штучного інтелекту обиратимуть місця для колоній на Місяці
Машинне навчання зарекомендувало себе як вкрай ефективний спосіб навчання моделей ШІ розпізнавати певні закономірності у зображеннях – медичних або астрономічних, пише 1NEWS з посиланням на 24tv.ua.
Вибір місць майбутньої висадки і будівництва колоній на Місяці залежить від низки факторів, зокрема, доступності, наявності льоду, мінералів та інших корисних ресурсів, але вивчення знімків, зроблених телескопами, неозброєним оком – важкий і не завжди ефективний процес.
Міжнародна команда вчених застосувала метод машинного навчання для автоматичного пошуку і класифікації місячних пам’яток.
Група дослідників з університету KAUST (Саудівська Аравія) разом з колегами з Гонконгу навчила алгоритм шукати у знімках поверхні Місяця кратери та борозни, які можуть вказувати на родовища урану та гелію-3, необхідних для ядерного синтезу.
Машинне навчання зарекомендувало себе як вкрай ефективний спосіб навчання моделей ШІ розпізнавати певні закономірності у зображеннях – медичних або астрономічних. Однак для їх навчання потрібні розмічені дані, і чим більше, тим краще. Проблема у тому, що для місячної поверхні таких даних не було.
Ми подолали цю проблему, створивши власний тренувальний набір даних з анотаціями для кратерів і каньйонів. Для цього ми використовували метод трансферного навчання, щоб попередньо навчити модель каньйонів на базі даних тріщин з додатковою налаштуванням з масками реальних каньйонів, – пояснив Чень Сіюань, один з дослідників.
Попередні підходи вимагали ручного аннотування принаймні частини зображень – але підхід команди дослідників не потребує втручання людина, дозволяючи, таким чином, створювати великі бази даних високої якості.
Успіх алгоритму на базі ШІ
Наступним кроком стала розробка обчислювального підходу, який можна використовувати для одночасної ідентифікації кратерів і каньйонів. Раніше такого ніхто не робив.
Для того щоб акуратно нанести кратери і каньйони на зображення поверхні Місяця піксель за пікселем, була створена платформа глибокого навчання з двома незалежними нейронними мережами, однаковими по архітектурі.
Точність моделі досягла 83,7% – це вище, ніж у існуючих моделей виявлення кратерів.
