Un metodo di scansione lunare in grado di classificare automaticamente importanti caratteristiche lunari dalle immagini del telescopio potrebbe migliorare significativamente l'efficienza della selezione dei siti da esplorare.

C'è più di quanto sembri nella scelta di un sito di atterraggio o di esplorazione sulla luna. L'area visibile della superficie lunare è più grande della Russia ed è butterata da migliaia di crateri e attraversata da solchi simili a canyon. La scelta dei futuri siti di atterraggio e di esplorazione può dipendere dai luoghi più promettenti per la costruzione, minerali o potenziali risorse energetiche. Però, scansione a occhio su un'area così ampia, alla ricerca di elementi forse di qualche centinaio di metri di diametro, è laborioso e spesso impreciso, il che rende difficile scegliere le aree ottimali per l'esplorazione.

Siyuan Chen, Xin Gao e Shuyu Sun, insieme ai colleghi dell'Università cinese di Hong Kong, hanno ora applicato l'apprendimento automatico e l'intelligenza artificiale (AI) per automatizzare l'identificazione delle potenziali aree di atterraggio lunare e di esplorazione.

"Stiamo cercando caratteristiche lunari come crateri e solchi, che si pensa siano punti caldi per risorse energetiche come l'uranio e l'elio-3, una risorsa promettente per la fusione nucleare, ", afferma Chen. "Entrambi sono stati rilevati nei crateri lunari e potrebbero essere risorse utili per il rifornimento di carburante dei veicoli spaziali".

L'apprendimento automatico è una tecnica molto efficace per addestrare un modello di intelligenza artificiale a cercare determinate funzionalità da solo. Il primo problema affrontato da Chen e dai suoi colleghi era che non esisteva un set di dati etichettato per i solchi che potesse essere utilizzato per addestrare il loro modello.

"Abbiamo superato questa sfida costruendo il nostro set di dati di addestramento con annotazioni sia per i crateri che per i solchi, " dice Chen. "Per fare questo, abbiamo utilizzato un approccio chiamato apprendimento di trasferimento per preaddestrare il nostro modello di rille su un set di dati di crepe superficiali con alcune regolazioni fini utilizzando maschere di rille reali. Gli approcci precedenti richiedono l'annotazione manuale per almeno una parte delle immagini di input:il nostro approccio non richiede l'intervento umano e quindi ci ha permesso di costruire un grande set di dati di alta qualità".

La sfida successiva è stata lo sviluppo di un approccio computazionale che potesse essere utilizzato per identificare contemporaneamente sia i crateri che i solchi, qualcosa che non era stato fatto prima.

"Questo è un problema pixel-to-pixel per il quale dobbiamo mascherare accuratamente i crateri e i solchi in un'immagine lunare, " dice Chen. "Abbiamo risolto questo problema costruendo un framework di deep learning chiamato high-resolution-moon-net, che ha due reti indipendenti che condividono la stessa architettura di rete per identificare contemporaneamente crateri e solchi."

L'approccio del team ha raggiunto una precisione dell'83,7 percento, superiore rispetto ai metodi all'avanguardia esistenti per il rilevamento dei crateri.