Как можно использовать искусственный интеллект (ИИ) для совершенствования методов картографирования и получения изображений на других планетах? Именно на это направлено исследование, представленное на 56-й конференции по лунным и планетарным наукам, в котором одинокий исследователь исследовал использование моделей машинного обучения для расширения возможностей картографирования и визуализации на основе орбитальных снимков, полученных с помощью контекстной камеры Mars Reconnaissance Orbiter (MRO), которая в настоящее время находится на орбите Марса.
Это исследование потенциально может помочь ученым, инженерам и широкой общественности лучше понять преимущества искусственного интеллекта в проведении более продвинутых научных исследований, в частности, в отношении глобальных изображений Земли и других миров.
Сегодня Universe обсуждает это невероятное исследование с доктором Эндрю Эннексом, старшим инженером по научным системам в Институте SETI, о мотивации исследования, следующих шагах в разработке моделей машинного обучения и важности использования моделей машинного обучения для улучшения существующих методов. Итак, что же послужило мотивом для этого исследования?
"Основной мотивацией моей работы было желание ускорить научные открытия и исследования, а также повысить научную отдачу от существующих наборов данных о Марсе", - рассказывает доктор Аннекс в интервью Universe Today.
"Многие исследования Марса начинаются с простой идентификации объектов на поверхности и выяснения того, где они находятся. Обычно это достигается тем, что ученый буквально вручную просматривает изображения, от сотен до тысяч изображений. Однако этот процесс может быть очень медленным и утомительным при просмотре поверхности в разрешении от среднего до высокого, поскольку требуется просто охватить большой объем информации."
В ходе исследования доктор Аннекс оценил, как существующие методы анализа изображений потенциально могут быть улучшены с помощью моделей и инструментов машинного обучения, включая поиск изображений на основе контента (CBIR), OpenAI CLIP (предварительное обучение контрастному языку и изображениям) и архитектуру облачных вычислений. Цель CBIR - взять исходное изображение и просканировать базу данных в поисках похожих изображений, сканируя содержимое изображения.
OpenAI стала ведущей исследовательской компанией, целью которой является совершенствование искусственного интеллекта на благо человечества в нашей повседневной жизни, а ChatGPT, возможно, является ее наиболее используемой и известной моделью. OpenAI CLIP - это модель машинного обучения, предназначенная для изучения того, как сравнивать изображения и текст при работе с большими наборами данных.
Облачные вычисления используют сеть удаленных серверов для управления большими объемами данных, включая мобильные технологии, базы данных, хранилища, приложения и многое другое.
В итоге доктор Аннекс успешно использовал модели машинного обучения для анализа глобальных мозаичных изображений CTX на Марсе, включая поиск и идентификацию конкретных сходств изображений на Красной планете. Отметив, что это исследование может открыть возможности для улучшений, включая конкретные поисковые запросы, доктор Аннекс подчеркнул, что модели машинного обучения могут быть использованы на планетах по всей Солнечной системе.
"В итоге я создал базовую систему визуального поиска, которая позволяет исследовать поверхность Марса с разрешением CTX в пикселях", - рассказывает доктор Аннекс в интервью Universe Today.
"Эта работа не представляет собой единую модель, отвечающую на конкретный вопрос, которую обычно можно увидеть в других исследованиях ML [машинного обучения] в области планетологии. Это применение программного обеспечения (и машинного обучения) для быстрого поиска в данных множества различных вещей".
Первое изображение с марсианского орбитального аппарата было получено 15 июля 1965 года космическим аппаратом НАСА "Маринер-4", который передал полоски кода, которые ученые и инженеры раскрасили в соответствии с номером кода, а 16 июля было получено первое черно-белое орбитальное изображение.
Эта историческая миссия показала, что Марс - это не тот водный и тропический ландшафт, о котором мечтали ученые с тех пор, как Персиваль Лоуэлл в начале 20-го века объявил, что на Марсе есть живые существа.
С тех пор марсианские орбитальные аппараты из нескольких стран прислали невероятные снимки Красной планеты, открывающие мир, в котором когда-то, возможно, миллиарды лет назад, были океаны и реки с жидкой водой.
Благодаря неустанной работе этих роботов-исследователей, вся поверхность Марса была запечатлена, и некоторые из них в невероятных деталях, с помощью контекстной камеры НАСА и камеры научного эксперимента с высоким разрешением (HiRISE), соответственно. Итак, в чем важность использования моделей машинного обучения для улучшения существующих методов анализа изображений Марса?
Доктор Эннекс говорит в интервью Universe Today: "Я думаю, что важность заключается в том, что за последние 25 с лишним лет, несмотря на увеличение вычислительной мощности, увеличился и объем данных, которые нам приходится анализировать, чтобы ответить на наши научные вопросы, но скорость использования этих данных не увеличилась. Существующие методы не поспевают за развитием событий, поскольку эти методы не обязательно основаны на вычислениях, но являются традиционным и критически важным методом визуального анализа изображений и геологической интерпретации.
"Многие революционные научные открытия, касающиеся Марса, были сделаны при наблюдении поверхности с более высоким разрешением, чем было доступно ранее. Но теперь, имея полную картину поверхности, которую предоставляет CTX global mosaic, можно задавать другие важные вопросы о Марсе.
"Но увидеть всю поверхность с разрешением 5 метров на пиксель одному человеку не под силу. Опять же, это просто огромная площадь, на которую нужно смотреть и удерживать в памяти. Машинное обучение важно не только с точки зрения скорости, но, возможно, еще более важно с точки зрения гибкости в задаче, которую вы автоматизируете таким образом, что обычный компьютерный анализ изображений непрактичен или просто слишком медленный, учитывая объем данных, которые вам нужно изучить, и доступное время.
"Я не думаю, что машинное обучение заменит весь анализ изображений, но я рассматриваю его как еще один инструмент в арсенале. Который можно использовать для дополнения и совершенствования существующих методов и анализа".
