هوش مصنوعی پیشرفته‌ی ناسا دهانه‌های برخوردی جدیدی در مریخ شناسایی کرد
برای نخستین بار و با استفاده از خوشه‌ی ابررایانه‌های آزمایشگاه پیشرانش جت ناسا، پژوهشگران توانستند دهانه‌های برخوردی تازه‌ای را در مریخ شناسایی کنند و به کمک هوش مصنوعی روند انجام کار را به طور چشمگیری کاهش دهند.
زمانی بین مارس ۲۰۱۰ و می ۲۰۱۲ (فروردین ۱۳۸۹ تا اردیبهشت ۱۳۹۱) شهاب‌سنگی از جو مریخ گذشت و با برخورد به سطح سیاره، تکه‌تکه شد. دهانه‌های حاصل از این برخورد نسبتا کوچک بودند و فقط ۴ متر قطر داشتند. هر چه ویژگی‌ها کوچکتر باشند، ردیابی آن‌ها با استفاده از مدارگردهای مریخ دشوارتر است. اما در این نمونه و برای نخستین بار، دانشمندان آن‌ها را با روشی کمکی بررسی و شناسایی کردند؛ هوش مصنوعی (AI).
این کار یک نقطه‌ی عطف برای دانشمندان علوم سیاره‌ای و پژوهشگران هوش مصنوعی در آزمایش پیشرانش جت ناسا (JPL) است. آن‌ها با همکاری یکدیگر این ابزار یادگیری ماشینی را که به کشف دهانه‌های مریخ کمک کرده است، توسعه داده‌اند. این موفقیت صرفه‌جویی در وقت و افزایش حجم یافته‌ها را به همراه خواهد داشت.
به طور معمول دانشمندان، هر روز ساعت‌ها به مطالعه‌ی تصاویر گرفته شده توسط مدارگرد شناسایی مریخ (MRO) می‌پردازند و به دنبال تغییرات رخ داده در پدیده‌های سطح مانند تنوره دیو، بهمن و جابه‌جایی تپه‌های شنی می‌گردند. در مدت ۱۴ سال حضور MRO در مریخ دانشمندان با استفاده از داده‌های آن بیش از ۱۰۰۰ دهانه‌ی تازه کشف کرده‌اند. این دهانه‌ها معمولا نخست توسط دوربین Context فضاپیما تشخیص داده شده‌اند که با کیفیت پایین‌تر مساحت زیادی را پوشش می‌دهد.
در یکی از این عکس‌ها، تنها نشانه‌های انفجار پیرامون یک برخورد مشخص بود و دهانه‌ها معلوم نبود، بنابراین برای بررسی دقیق‌تر به چشمان تیزبین دوربین «آزمایش علمی تصویربرداری با وضوح بالا» (HiRISE) نیاز بود که می‌تواند جزئیاتی در حد رد به‌جا مانده از حرکت مریخ‌نورد کنجکاوی را ببیند.
فرآیند یافتن نقاطی برای بررسی دقیق، باید با حوصله انجام شود و ۴۰ دقیقه زمان لازم است تا یک محقق بتواند تصویری از دوربین Context را با دقت بررسی نماید. برای صرفه‌جویی در وقت، پژوهشگران JPL، ابزاری با نام «طبقه‌بندی‌کننده‌ی خودکار دهانه‌های برخوردی تازه» (Crater Classifier) ساختند. این کار به‌عنوان بخشی از تلاش بزرگتر با نام COSMIC انجام می‌شود که فناوری‌های نسل آینده‌ی مدارگرد مریخ را توسعه می‌دهد.
یادگیری و چشم‌انداز
برای آموزش دادن به هوش مصنوعی، پژوهشگران ۶۸۳۰ عکس دوربین Context را، از جمله مکان‌هایی که پیش‌تر وجود دهانه‌ی برخوردی به کمک HiRISE تأیید شده بود، به آن دادند. علاوه بر این، تصاویری از مناطق بدون دهانه‌ی تازه هم به آن داده شد تا هوش مصنوعی بداند که به دنبال چه چیز نباید باشد.
یک خوشه‌ی دهانه‌های برخوردی مریخ از نگاه دوربین Context مدارگرد شناسایی مریخ
Credit: NASA/JPL-Caltech/MSSS
پس از پایان آموزش، طبقه‌بندی‌کننده‌ی دهانه‌ها، کل بانک تصاویر تهیه شده توسط دوربین Context را که شامل ۱۱۲۰۰۰ عکس می‌شد، در اختیار گرفت. این هوش مصنوعی توسط یک خوشه‌ی ابررایانه در JPL اجرا می‌شود. این خوشه ابزاری قدرتمند متشکل از ده‌ها رایانه با کارایی بالاست که می‌توانند با یکدیگر کار کنند و روندی را که برای انسان ۴۰ دقیقه طول می‌کشد، به طور متوسط به ۵ ثانیه برسانند.
«گری دوران» (Gary Doran) دانشمند علوم کامپیوتر در JPL در این زمینه گفت: «یک چالش ما این بود که بدانیم چگونه می‌توان تا ۷۵۰ کپی از طبقه‌بندی‌کننده را به طور هم‌زمان در کل خوشه اجرا کرد. پردازش بیش از ۱۱۲۰۰۰ تصویر در زمانی قابل قبول، بدون تقسیم کار بین رایانه‌های زیاد، ممکن نیست. بنابراین استراتژی این است که مسأله را به قطعات کوچکتر تقسیم کنیم تا به طور موازی قابل حل باشد.»
اما با وجود قدرت محاسباتی بالای ابزار، این طبقه‌بندی‌کننده همچنان به نظارت انسانی برای بررسی کار خود نیاز دارد. یکی دیگر از پژوهشگران JPL در این خصوص گفت: «هوش مصنوعی نمی‌تواند تحلیل هوشمندانه‌ای که یک دانشمند انجام می‌دهد را اجرا کند. اما ابزاری مانند این الگوریتم تازه می‌تواند دستیار دانشمندان باشد. این ابزار، زمینه را برای یک هم‌زیستی هیجان‌انگیز بین پژوهشگران انسانی و هوش مصنوعی فراهم می‌کند تا برای سرعت بخشیدن به کشف‌های علمی با هم همکاری کنند.»
در ۲۶ آگوست ۲۰۲۰ (۵ شهریور) HiRISE تأیید کرد که یک لکه‌ی تاریک که توسط طبقه‌بندی‌کننده در منطقه‌ای به نام Noctis Fossae شناسایی شده است، در واقع مجموعه‌ای از دهانه‌هاست. تصویر این خوشه‌ی دهانه‌ای محدوده‌ای به طول حدود ۳۰ متر را نشان می‌دهد. پژوهشگران هم‌اکنون ۲۰ گزینه‌ی احتمالی دیگر را هم برای بررسی توسط این دوربین باکیفیت در صف دارند.
در حالی که این طبقه‌بندی‌کننده‌ی دهانه‌ها بر روی رایانه‌های زمینی کار می‌کند، هدف نهایی این است که طبقه‌بندی‌کننده‌های مشابهی برای استفاده در مدارگردهای آینده‌ی مریخ طراحی شود.
«مایکل مونجه» (Michael Munje) یکی از پژوهشگران این ابزار از دانشگاه جورجیا تک گفت: «هم‌اکنون داده‌های ارسالی به زمین، برای یافتن تصاویر جالب نیاز به غربالگری دارند و این درست مانند پیدا کردن سوزن در انبار کاه است. امید است که در آینده هوش مصنوعی بتواند تصاویری را که دانشمندان به آن بیشتر علاقه دارند، در اولویت قرار دهد.»
«اینگرید داوبار» (Ingrid Daubar) دیگر دانشمند همکار در این پروژه هم امیدوار است که ابزار جدید بتواند تصویری کامل‌تر از میزان برخورد شهاب‌ها با مریخ ارائه دهد و برخوردهای کوچکی را در مناطقی که قبلا کشف نشده‌اند نشان دهد.
هرچه دهانه‌های بیشتری پیدا شود، دانشمندان از اندازه، شکل و تعداد دفعات برخورد شهاب‌ها در مریخ، اطلاعات بیشتری کسب می‌کنند. هنوز دهانه‌های برخوردی زیادی وجود دارد که دانشمندان کشف نکرده‌اند و چیزهای زیادی هست که باید درباره‌ی آن‌ها بدانند. اینجاست که هوش مصنوعی می‌تواند نقش پررنگی در استفاده‌ی بهینه‌تر از ابزاری قدیمی مانند MRO داشته باشد.
عکس کاور: تصویری از یک خوشه‌ی دهانه‌ای در مریخ که برای نخستین بار توسط هوش مصنوعی شناسایی شده است.
Credit: NASA/JPL-Caltech/University of Arizona
منبع: NASA
