Если когда-то случится восстание машин, вероятно, одним из его лидеров станет алгоритм машинного обучения, который заставили пересчитать все кратеры на поверхности Луны. Международная группа исследователей разработала исторический образец искусственного интеллекта, который справился с задачей, неподвластной ни одному человеку.
С тех пор, как человечество изобрело телескопы, одним из наиболее притягательных объектов для изучения стала Луна и её рельеф. Одну из первых лунных карт создал итальянский астроном Джованни Риччиоли в 1651 году, и с тех пор люди стали вести счёт кратерам. Каталогизация форм рельефа единственного естественного спутника Земли всегда производилась вручную. То есть исследователи проводили долгие часы разглядывая монотонную серость лунного ландшафта кадр за кадром. При этом они не только считали кратеры, но и оценивали их возраст с учётом их формы, визуального наблюдения пород, которые оказались на поверхности при падении метеорита, и характеристик редких образцов лунных камней, добытых астронавтами миссии «Аполлон».
Профессор телекоммуникаций из Трентского университета Лоренсо Бруццоне и его интернациональная команда имели в своём распоряжении базу данных из более чем 9000 кратеров (возраст установлен лишь у 1700 из них), внесённых в международный каталог IAU (International Astronomical Union) на протяжении последнего столетия – так называемый «золотой стандарт». Всю эту информацию предстояло «скормить» программе машинного обучения, чтобы выработать рабочий алгоритм, который сумел бы идентифицировать, считать и датировать нужные формы рельефа. Поскольку машинное обучение остаётся воплощением тёмной магии даже для светлейших умов нашей планеты, выбор правильного подхода для разработки алгоритма, подходящего для поставленной задачи, был непрост.
В конце концов выбор учёных пал на тип нейронных сетей именуемый свёрточным. В основе его обучения лежит так называемый метод обратного распространения ошибки. Работа свёрточной нейросети заключается в изучении конкретных особенностей изображений с дальнейшим переходом к более абстрактным деталям и созданием последовательной карты иерархии признаков. В первую очередь исследователи предоставили нейросети огромную базу изображений с идентифицированными кратерами. На их основе ИИ автоматически научился определять самые узнаваемые характеристики заданной формы рельефа. Тренировка алгоритма заключалась в распознавании кратеров или их отсутствия на новой порции изображений с последующей идентификацией конкретных кратеров. Существует немало способов настройки свёрточной нейронной сети, и команда профессора Бруццоне испробовала множество конфигураций: для обработки каждой из них у суперкомпьютера уходило по несколько дней.
Далее исследователи предоставили алгоритму самые свежие снимки лунной поверхности, сделанные китайскими спутниками Chang’E-1 (CE-1) и Chang’E-2 (CE-2). Изображения с камеры CE-1 охватывали отрезки Луны шириной до 150 метров, а с камеры CE-2 – до 7 метров. Для их изучения учёные запустили две аналогичных взаимосвязанных нейронных сети параллельно. Первая идентифицировала более крупные кратеры на снимках спутника CE-1, а затем «обучала» вторую находить более мелкие кратеры на фотографиях Луны с аппарата CE-2. Такой метод машинного обучения называют трансферным: с его помощью знания нейросети, натренированной на выполнении одной задачи, переносятся на выполнение другой задачи. Профессор Бруццоне сравнил этот процесс с тем, как опытный наставник обучает своего последователя: с большей долей вероятности ученик сумеет извлечь из того же опыта бо́льшую пользу благодаря собственному опыту и новой информации.
Совместными усилиями две нейросети «прочесали» практически всю поверхность Луны и идентифицировали около 117 тысяч кратеров. В крупнейший в истории каталог рельефных форм Луны вошли кратеры самых разнообразных размеров: от километровых «ямочек» до 500-километровых кальдер. Более того, искусственный интеллект сумел определить возраст примерно 20 тысяч кратеров – непростая задача, когда дело идёт о тысячах кратеров, которые постоянно накладываются друг на друга. Чтобы убедиться, что нейросети не ошиблись: не дублировали существующие кратеры и не придумали новые, исследователи сравнили созданный ими каталог с различными вариантами существующих баз данных. Кроме того, сразу несколько команд учёных попытались повторить подвиг искусственного интеллекта и вручную определить возраст нескольких тысяч кратеров, обнаруженных в ходе недавних исследований Луны. Стоит ли говорить о том, что этот процесс занял у них несколько долгих месяцев? В итоге исследователи пришли к выводу, что точность расчётов нейросети составляет не менее 85-95%.
Результат работы нейросетей не идеален, равно как и их создатели: если бы каталогизацией десятков тысяч кратеров занимались люди, едва ли плоды их совместных трудов были бы лишены ошибок. Однако использование алгоритмов искусственного интеллекта позволило свести практически полную унифицированную базу данных о рельефных формах лунной поверхности в чрезвычайно малые сроки, а значит у учёных будет больше времени, чтобы детальнее изучить историю Луны и внести необходимые поправки. Следующим шагом будет анализ кратеров с целью распознавания их происхождения для построения более всеобъемлющей истории земного спутника. Кроме того, Бруццоне не исключает возможности использования сформированного его командой алгоритма для изучения других миров вроде Цереры или Марса. Бесспорно, алгоритм потребует некоторых изменений для адаптации к особенностям рельефа нового объекта изучения, но исследователям не придётся начинать с нуля.