During 15 last years, Mars Exploration Orbiter de la NASA effectue des tournées autour de la planète rouge pour étudier son climat et sa géologie.Chaque jour, la sonde envoie un trésor de photos et d’autres données de capteurs que les scientifiques de la NASA ont utilisées pour explorer des sites d’atterrissage sûrs pour les véhicules Les rovers et la compréhension de la distribution de la glace d’eau sur la planète Les images du cratère orbital sont d’un intérêt particulier pour les scientifiques, ce qui pourrait fournir une fenêtre sur l’histoire profonde de la planète Les ingénieurs de la NASA travaillent toujours sur une mission de retour d’échantillons de Mars. Sans roches qui les aideront à calibrer les données satellites distantes avec les conditions à la surface, ils doivent faire beaucoup de conjectures lorsqu’il s’agit de déterminer l’âge et la composition de chaque cratère

For the time being, ils ont besoin d’autres méthodes pour obtenir ces informations. Une méthode éprouvée consiste à extrapoler l’âge des cratères les plus anciens à partir des caractéristiques du cratère le plus récent de la planète, car les scientifiques peuvent déterminer l’âge de certains sites de collision modernes en quelques années, voire en quelques semaines. L’utiliser comme base de référence pour déterminer l’âge et la composition de cratères beaucoup plus anciens Le problème est de les trouver. Combiner les données d’image d’une planète à la recherche de signes révélateurs d’un nouvel impact est un travail difficile, mais c’est exactement le type de problème que l’IA a été conçue pour résoudre.

At the end of last year, des chercheurs de la NASA ont utilisé un algorithme d’apprentissage automatique pour découvrir pour la première fois de nouveaux cratères sur Mars. L’intelligence artificielle a découvert des dizaines d’entre eux cachés dans les données d’image de l’orbiteur de reconnaissance de Mars et a découvert une nouvelle méthode prometteuse pour étudier les planètes dans tout notre système solaire, he says. Keri Wagstaff, informaticien au Jet Propulsion Laboratory de la NASA et l’un des dirigeants de l’équipe de recherche: “From a scientific point of view, c’est passionnant car cela augmente notre connaissance de ces fonctionnalités.” “Les données existent tout le temps, juste que nous ne les avons pas vues nous-mêmes.

Le Mars Reconnaissance Orbiter est équipé de trois caméras, mais Wagstaff et ses collègues ont formé l’IA à l’aide d’images de photographes contextuels et HiRISE uniquement le contexte est une caméra grise à relativement basse résolution, tandis que HiRISE utilise le plus grand télescope réfléchissant jamais envoyé dans l’espace lointain pour produire des images avec précision. Presque 3 fois plus élevé que les images utilisées dans Google Maps

First, l’IA a reçu près de 7000 images de Marscertaines avec des cratères déjà découverts et d’autres sans aucunpour enseigner à l’algorithme comment détecter une nouvelle attaque Une fois que le classificateur a pu détecter avec précision les cratères dans l’ensemble d’entraînement, Wagstaff et son équipe ont téléchargé L’algorithme se trouve sur un supercalculateur du Jet Propulsion Laboratory et ils l’ont utilisé pour parcourir une base de données de plus de 112 000 images de l’orbiteur

«Il n’y a rien de nouveau dans la technologie de base de l’apprentissage automatique», déclare Wagstaff. «Nous avons utilisé un réseau convolutif très standard pour analyser les données d’image, mais être capable de l’appliquer à grande échelle reste un défi.» C’était l’une des choses auxquelles nous devions nous attaquer ici.

Les derniers cratères sur Mars sont petits et ne peuvent pas dépasser quelques mètres de largeur, ce qui signifie qu’ils apparaissent comme des taches tachetées sombres dans les images de contexte. Si l’algorithme compare l’image du cratère candidat avec une image précédente de la même zone et constate qu’il manque la tache sombre, il y a de bonnes chances de trouver Sur une nouvelle buse, la date de l’image précédente permet également de déterminer la chronologie du moment où l’effet se produira

Une fois que l’intelligence artificielle a identifié des candidats prometteurs, les chercheurs de la NASA ont pu faire des observations de suivi à l’aide de la caméra haute résolution de l’orbiteur pour confirmer que les cratères étaient réellement là. Last august, l’équipe a obtenu sa première confirmation lorsque l’orbiteur a photographié un ensemble de cratères identifiés. Avec l’algorithme, c’était la première fois que l’IA découvrait un cratère sur une autre planète, “Il n’y avait aucune garantie que de nouvelles choses émergeraient”, dit Wagstaff. “Mais il y en avait tellement, et l’une de nos grandes questions est, qu’est-ce qui rend leur recherche plus difficile?”

Le nouveau processus pourrait considérablement accélérer la découverte du cratère sur Mars et d’autres planètes Au cours des quinze dernières années, les scientifiques de la NASA travaillant sur le programme Mars Reconnaissance Orbiter ont dû scanner manuellement les images du vaisseau spatial, ce qui pourrait prendre trois quarts d’heure pour obtenir une seule image. «Ils se sont entraînés pour reconnaître à quoi ressemblent ces nouveaux cratères, mais cela peut prendre beaucoup de temps», explique Ingrid Dober, planétaire à l’Université Brown qui a collaboré à la recherche. On the other hand, la nouvelle IA peut déterminer si une image contient une nouvelle tache sombre en seulement cinq secondes.

En plus d’aider à déterminer l’âge de la surface martienne, Dobre dit que les cratères peuvent également en apprendre beaucoup aux scientifiques sur ce qui se trouve en dessous. for example, il y a environ dix ans, l’orbiteur d’exploration de Mars a découvert un nouveau cratère qui a révélé de la glace d’eau sous la surface. En étudiant la glace exposéeet la façon dont elle a disparu au fil du tempsles scientifiques peuvent avoir une meilleure idée de la façon dont la glace est répartie sur toute la surface de la planète. Mais c’était une découverte par hasard, Doper espère que l’intelligence artificielle qui vérifie régulièrement les images pour détecter les signes de nouveaux cratères et peut alerter les scientifiques sur eux dans les jours ou semaines suivant leur formation, nous en apprendra plus sur l’histoire de Mars.

La possibilité d’utiliser le machine learning pour vraiment fouiller dans d’énormes ensembles de données et trouver des choses que nous n’aurions pas pu trouver autrement est vraiment excitante”, déclare Dauber. Ce projet particulier a identifié 60 or 70 nouveaux trous que nous n’avions jamais vus auparavant, mais ce sont Juste un début, nous avons hâte d’en découvrir plus »

In the future, Wagstaff et ses collègues du JPL s’attendent à ce que ce type d’apprentissage automatique se déroule dans l’espace, afin d’accélérer davantage le processus. Au lieu de renvoyer toutes les images sur Terre pour traitement sur des supercalculateurs, des engins spatiaux comme Mars Reconnaissance Orbiter pourront traiter leurs propres données, ce qui permettra des missions plus flexibles et réactives, car le vaisseau spatial n’aura pas à attendre que les humains lui disent de vérifier un point d’intérêt s’il détecte un cratère. Volcan potentiel, il pourrait instantanément effectuer une surveillance de suivi avec un instrument plus sensible et comme les orbites de Mars sont privées de bande passante, ils contribueraient également à conserver cette précieuse ressource en n’envoyant que des images montrant des changements intéressants en surface.

However, cela reste un objectif lointain pour le moment. Le travail dans la fosse faisait partie d’un programme plus vaste de la NASA appelé Cosmic, qui vise à mettre en œuvre des algorithmes de détection de changement d’image sur les mêmes orbites tout en détectant les changements dans les images est un problème bien compris dans la recherche sur le renseignement. Dans leurs travaux récents sur les cratères de Mars, construisant des appareils capables d’exécuter des algorithmes pour détecter les changements dans l’espace, Wagstaff et l’équipe ont utilisé 75 cœurs dans un grand supercalculateur, qui est une force de calcul plus grande en dimensions que celles disponibles pour un véhicule en orbite autour de Mars.

Si vous voulez faire un calcul sur la carte, vous êtes actuellement très limité en termes de type de processeurs disponibles”, déclare Wagstaff, “Vous n’avez pas de gros superordinateur, vous n’avez même pas de processeur multicœur, donc tout ce que vous y mettez doit être efficace.Très mathématiquement pour réaliser la détection des changements

L’intégration de l’intelligence artificielle dans les futurs engins spatiaux deviendra plus importante à mesure que la technologie s’améliorera et que les taux de transfert de données augmenteront. Les chercheurs de la NASA devront faire face à un déluge croissant d’informations, mais les problèmes d’uneaiguille dans une botte de foin”, où la solution est cachée dans un immense espace de recherche, are: Exactement le genre de défis que l’apprentissage automatique est conçu pour résoudre et une fois que des explorateurs alimentés par l’IA errent dans le système solaire, qui sait ce que nous pourrions trouver?

WIRED est l’endroit où demain se réalise C’est la principale source d’informations et de connaissances qui maintiennent le monde en transition. La conversation WIRED illustre comment la technologie change tous les aspects de nos vies – from culture to business, de la science au design. Les percées et les innovations que nous dévoilons mènent à De nouvelles façons de penser, de nouvelles connexions, de nouvelles industries.

© 2021 Condé Nast Tous droits réservés L’utilisation de ce site Web constitue une acceptation de notre accord d’utilisation (mis à jour au 1/1/21), de la politique de confidentialité et de la déclaration relative aux cookies (mise à jour du 1/1/21) et de vos droits de confidentialité sur California Wired peut gagner une partie des ventes de produits achetés sur notre site dans le cadre de nos partenariats avec des détaillants. Les éléments de ce site ne peuvent être reproduits, distribués, transférés, stockés temporairement ou autrement utilisés, sauf autorisation écrite préalable de Condé Nast Options Publicité

NASA, Rover, Mars 2020, InSight

News – California – NASA trains AI to discover new craters on Mars

Source: https://www.wired.com/story/nasa-is-training-an-ai-to-detect-fresh-craters-on-mars/

Building on its expertise in the areas of digital, technologies and processes , CSS Engineering you in your most ambitious transformation projects and helps you bring out new ideas, new offers, new modes of collaboration, new ways of producing and selling.

CSS Engineering is involved in projects each customer as if it were his own. We believe a consulting company should be more than an advisor. We put ourselves in the place of our customers, to align we incentives to their goals, and collaborate to unlock the full potential their business. This establishes deep relationships and enjoyable.

Our services:

  1. Create professional websites
  2. Hosting high performance and unlimited
  3. Sale and video surveillance cameras installation
  4. Sale and Installation of security system and alarm
  5. E-Marketing

All our achievements here https://www.css-engineering.com/en/works/