Одна из самых больших проблем в астрономии также является наиболее очевидной: пространство велико, и на это уходит много времени. Вот почему искусственный интеллект был таким благом для этой науки. Оказывается, одни и те же инструменты машинного зрения, разработанные для таких задач, как руководство автомобилями, также идеально подходят для сортировки огромных объемов астрономических данных. Так, астрономы объявили в этом месяце, что они использовали ИИ, чтобы найти 6000 новых кратеров на Луне.

Теперь это не так важно само по себе. По оценкам, Луна насчитывает сотни тысяч кратеров, в основном вызванных ударами с астероидами и метеорами. Это связано с несколькими факторами. Во-первых, поскольку у Луны нет атмосферы, эти объекты имеют свободный путь до поверхности (в отличие от Земли, где трение воздуха замедляет их и уменьшает их по размеру). Во-вторых, потому что на Луне нет погоды, эти следы не сглаживаются эрозией. Конечным результатом является спутник с кратерами, который мы все знаем.

Но использование ИИ для поиска этих кратеров важно, поскольку это демонстрирует другой способ машинного обучения, который может автоматизировать трудоемкую задачу. Чем меньше времени астрономам приходится тратить на фотографии Луны, маркируя кратеры вручную, тем больше они должны сосредоточиться на других, более сложных исследованиях. Кроме того, чем больше мы знаем о кратерах Луны, тем лучше мы можем теоретизировать об истории и образовании нашей Солнечной системы.

Инструментом, используемым для этого конкретного исследования, является так называемая сверточная нейронная сеть или CNN. Это общий метод, который особенно хорош при сортировке с помощью визуальных данных. Как исследователи, которые проводили эту работу, объясняют в неопубликованной статье, они обучили свою сеть, используя набор данных кратеров, ранее идентифицированных людьми. Как только программа узнала, как выглядели кратеры, она была развязана на новом участке поверхности Луны (примерно одна треть ее общей площади поверхности). Там было найдено 6 000 новых кратеров.

Ученые, которые проводили эту работу, из университетов Торонто, штата Пенсильвания и штата Аризона, пишут в своей статье, что система была последовательной и, самое главное, быстрой. «После обучения наш CNN значительно увеличивает скорость идентификации кратера, принимая минуты, чтобы генерировать предсказания для десятков тысяч Лунных DEM», - пишут они. (DEM - цифровая карта высот, и это стандартный образный тип, используемый для поиска и классификации кратеров.) «Это, конечно, все сделано пассивно, освобождая ученого выполнять другие задачи».

Эта система не была идеальной, но эта работа показывает, что ИИ является чрезвычайно способным инструментом, который может ускорить основные астрономические исследования. На сегодняшний день аналогичные методы были использованы для определения гравитационных линз, обнаружения новых экзопланет, выявления звезд пульсаров и классификации галактик. Пространство может быть большим, но у людей теперь есть компьютеры, чтобы помочь им пройти через космос.