Изображение из исследования, демонстрирующее, как инструменты машинного обучения могут улучшить анализ изображений и картографирования с помощью изображений поверхности Марса.
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 ходе которого одинокий исследователь изучил применение моделей машинного обучения для расширения возможностей картографирования и визуализации на основе орбитальных снимков, полученных с помощью контекстной камеры Mars Reconnaissance Orbiter (MRO), находящейся на орбите Марса.
Это исследование может оказать значительное влияние на ученых, инженеров и широкую общественность, способствуя более глубокому пониманию преимуществ искусственного интеллекта в проведении продвинутых научных исследований, особенно в контексте глобальных изображений Земли и других небесных тел.
Сегодня Universe обсуждает это увлекательное 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 их применения для улучшения существующих методов. Какова же была мотивация данного исследования?
"Основной целью моей работы было стремление ускорить научные открытия и исследования, а также повысить научную отдачу от имеющихся наборов данных о Марсе", — делится доктор Эннекс в интервью Universe Today.
"Многие исследования Марса начинаются с простого определения объектов на поверхности и их локализации. Обычно это достигается тем, что ученый вручную просматривает сотни, а иногда и тысячи изображений. Однако этот процесс может быть крайне медленным и утомительным, особенно при анализе поверхности с высоким разрешением, поскольку требует обработки огромного объема информации."
В ходе своего исследования доктор Эннекс оценил, как существующие методы анализа изображений 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 заключается в том, чтобы взять исходное изображение и просканировать базу данных в поисках схожих изображений, анализируя их содержимое.
OpenAI зарекомендовала себя как ведущая исследовательская компания, стремящаяся усовершенствовать искусственный интеллект на благо человечества в повседневной жизни, а ChatGPT, вероятно, является ее наиболее известной и широко используемой моделью. OpenAI CLIP — это модель машинного обучения, предназначенная для изучения взаимосвязи между изображениями и текстом при работе с обширными наборами данных.
Облачные вычисления предполагают использование сети удаленных серверов для управления большими объемами данных, включая мобильные технологии, базы данных, хранилища, приложения и многое другое.
В результате доктор Эннекс успешно применил модели машинного обучения для анализа глобальных мозаичных изображений CTX на Марсе, включая идентификацию и сопоставление конкретных сходств изображений на Красной планете. Подчеркнув, что это исследование открывает возможности для дальнейших улучшений, включая специфические поисковые запросы, доктор Эннекс отметил, что модели машинного обучения могут быть использованы для изучения планет по всей Солнечной системе.
"В конечном итоге я создал базовую систему визуального поиска, которая позволяет исследовать поверхность Марса с разрешением CTX в пикселях", — рассказывает доктор Эннекс в интервью Universe Today.
"Эта работа не представляет собой единую модель, отвечающую на конкретный вопрос, как это обычно бывает в других исследованиях в области машинного обучения [ML] в планетологии. Это применение программного обеспечения (и машинного обучения) для быстрого поиска множества различных объектов в данных."
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. 16 июля было получено первое черно-белое орбитальное изображение.
Эта историческая миссия продемонстрировала, 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 о существовании живых существ на этой планете.
С тех пор марсианские орбитальные аппараты из различных стран прислали невероятные снимки Красной планеты, открывающие мир, в котором, возможно, миллиарды лет назад существовали океаны и реки с жидкой водой.
Благодаря неустанной работе этих роботов-исследователей вся поверхность Марса была запечатлена, и некоторые из изображений отличаются невероятной детализацией, полученной с помощью контекстной камеры НАСА и камеры научного эксперимента с высоким разрешением (HiRISE). Так в чем же заключается важность использования моделей машинного обучения для улучшения существующих методов анализа изображений Марса?
Доктор Эннекс говорит в интервью Universe Today: "Я считаю, что важность заключается в том, что за последние 25 лет, несмотря на увеличение вычислительной мощности, объем данных, которые нам необходимо анализировать для ответа на наши научные вопросы, также возрос, но скорость использования этих данных не увеличилась. Существующие методы не успевают за развитием событий, поскольку они не основаны на вычислениях, а на обычном и критическом анализе изображений на глаз и геологической интерпретации.
"Многие революционные научные открытия, касающиеся Марса, были сделаны благодаря наблюдениям поверхности с более высоким разрешением, чем было доступно ранее. Но сейчас, имея полную картину поверхности, которую предоставляет глобальная мозаика CTX, можно задавать другие важные вопросы о Марсе.
"Однако увидеть всю поверхность с разрешением 5 метров на пиксель одному человеку не под силу. Это просто огромная площадь, которую необходимо анализировать и запомнить. Машинное обучение важно не только с точки зрения скорости, но, возможно, еще более значимо с точки зрения гибкости в автоматизации задач, которые обычный компьютерный анализ изображений не может выполнить эффективно из-за объема данных и ограниченного времени.
"Я не думаю, что машинное обучение заменит весь анализ изображений, но рассматриваю его как еще один инструмент в арсенале, который можно использовать для дополнения и совершенствования существующих методов и анализа."
