Ergens tussen maart 2010 en mei 2012, een meteoor schoot door de lucht van Mars en brak in stukken, inslaan op het oppervlak van de planeet. De resulterende kraters waren relatief klein - slechts 13 voet (4 meter) in diameter. Hoe kleiner de kenmerken, hoe moeilijker ze te zien zijn met behulp van Mars-orbiters. Maar in dit geval - en voor het eerst - zagen wetenschappers ze met een beetje extra hulp:kunstmatige intelligentie (AI).

Het is een mijlpaal voor planetaire wetenschappers en AI-onderzoekers van NASA's Jet Propulsion Laboratory in Zuid-Californië, die samenwerkten om de machine-learningtool te ontwikkelen die de ontdekking hielp. De prestatie biedt hoop voor zowel tijdwinst als het vergroten van het aantal bevindingen.

Typisch, wetenschappers besteden elke dag uren aan het bestuderen van beelden die zijn gemaakt door NASA's Mars Reconnaissance Orbiter (MRO), op zoek naar veranderende oppervlaktefenomenen zoals stofduivels, lawines, en verschuivende duinen. In de 14 jaar van de orbiter op Mars, wetenschappers hebben vertrouwd op MRO-gegevens om meer dan 1 te vinden 000 nieuwe kraters. Ze worden meestal eerst gedetecteerd met de contextcamera van het ruimtevaartuig, die foto's met een lage resolutie maakt die honderden kilometers per keer beslaan.

Alleen de explosiesporen rond een impact zullen opvallen in deze afbeeldingen, niet de individuele kraters, dus de volgende stap is om het van dichterbij te bekijken met het High-Resolution Imaging Science Experiment, of HiRISE. Het instrument is zo krachtig dat het details kan zien die net zo fijn zijn als de sporen die zijn achtergelaten door de Curiosity Mars-rover. (Het HiRISE-team staat iedereen toe, waaronder leden van het publiek, om specifieke afbeeldingen op te vragen via de HiWish-pagina.)

Het proces vergt geduld, het duurt ongeveer 40 minuten voordat een onderzoeker een enkel beeld van de contextcamera zorgvuldig scant. Tijd besparen, JPL-onderzoekers hebben een tool gemaakt - een geautomatiseerde classificatie van verse inslagkraters - als onderdeel van een bredere JPL-inspanning genaamd COSMIC (Capturing Onboard Summarization to Monitor Image Change) die technologieën ontwikkelt voor toekomstige generaties van Mars-orbiters.

Het landschap leren

Om de kraterclassificator te trainen, onderzoekers voedden het 6, 830 contextcamerabeelden, inclusief die van locaties met eerder ontdekte effecten die al waren bevestigd via HiRISE. De tool kreeg ook afbeeldingen zonder nieuwe effecten om de classifier te laten zien waar hij niet naar moest zoeken.

Eenmaal getraind, de classifier werd ingezet op de volledige repository van de Context Camera van ongeveer 112, 000 afbeeldingen. Draait op een supercomputercluster bij JPL, bestaande uit tientallen krachtige computers die samen kunnen werken, een proces dat een mens 40 minuten kost, kost de AI-tool gemiddeld slechts vijf seconden.

Een uitdaging was uitzoeken hoe je tot 750 exemplaren van de classifier tegelijkertijd over het hele cluster kunt uitvoeren, zei JPL computerwetenschapper Gary Doran. "Het zou niet mogelijk zijn om meer dan 112, 000 afbeeldingen in een redelijke hoeveelheid tijd zonder het werk over veel computers te verdelen, "Zei Doran. "De strategie is om het probleem op te splitsen in kleinere stukjes die parallel kunnen worden opgelost."

Maar ondanks al die rekenkracht, de classifier heeft nog steeds een mens nodig om zijn werk te controleren.

"AI kan niet het soort vakkundige analyse doen dat een wetenschapper kan, "Zei JPL-computerwetenschapper Kiri Wagstaff. "Maar tools zoals dit nieuwe algoritme kunnen hun assistenten zijn. Dit maakt de weg vrij voor een spannende symbiose van menselijke en AI-onderzoekers die samenwerken om wetenschappelijke ontdekkingen te versnellen."

Op 26 augustus 2020, HiRISE bevestigde dat een donkere vlek die werd gedetecteerd door de classifier in een regio genaamd Noctis Fossae in feite het cluster van kraters was. Het team heeft al meer dan 20 extra kandidaten voor HiRISE ingediend om uit te checken.

Terwijl deze kraterclassificatie op aardegebonden computers draait, het uiteindelijke doel is om vergelijkbare classifiers te ontwikkelen die zijn afgestemd op gebruik aan boord door toekomstige Mars-orbiters. Direct, de gegevens die naar de aarde worden teruggestuurd, vereisen dat wetenschappers doorzoeken om interessante beelden te vinden, net als proberen een speld in een hooiberg te vinden, zei Michael Munje, een afgestudeerde Georgia Tech-student die als stagiair bij JPL aan de classifier heeft gewerkt.

"De hoop is dat in de toekomst AI zou prioriteit kunnen geven aan orbitale beelden waarin wetenschappers waarschijnlijk meer geïnteresseerd zijn, ' zei Munje.

Ingrid Daubar, een wetenschapper met aanstellingen bij JPL en Brown University die ook bij het werk betrokken was, is hoopvol dat de nieuwe tool een completer beeld kan geven van hoe vaak meteoren op Mars inslaan en ook kleine inslagen kan onthullen in gebieden waar ze nog niet eerder zijn ontdekt. Hoe meer kraters er worden gevonden, hoe meer wetenschappers toevoegen aan de hoeveelheid kennis van de omvang, vorm, en frequentie van meteoorinslagen op Mars.

"Er zijn waarschijnlijk nog veel meer effecten die we nog niet hebben gevonden, "zei ze. "Deze vooruitgang laat zien hoeveel je kunt doen met veteraanmissies zoals MRO met behulp van moderne analysetechnieken."