Une nouvelle technique développée par des chercheurs de l'Université de Toronto à Scarborough utilise la même technologie que celle utilisée pour les voitures autonomes pour mesurer la taille et l'emplacement des impacts de cratère sur la lune.

"Quand il s'agit de compter les cratères sur la lune, c'est une méthode assez archaïque, " dit Mohamad Ali-Dib, un post-doctorant au Center for Planetary Sciences (CPS).

"En gros, nous devons regarder manuellement une image, localisez et comptez les cratères, puis calculez leur taille en fonction de la taille de l'image. Ici, nous avons développé une technique à partir de l'intelligence artificielle qui peut automatiser l'ensemble de ce processus, ce qui permet d'économiser du temps et des efforts."

Les chercheurs ont essayé dans le passé de développer des algorithmes capables d'identifier et de compter les cratères lunaires, mais lorsqu'ils ont été utilisés sur de nouveaux, des plaques de cratères jamais vues auparavant, ils avaient tendance à mal fonctionner. Par comparaison, la technique développée par Ali-Dib et ses collègues peut très bien se généraliser à des plaques lunaires invisibles, et même d'autres corps cratérisés comme Mercure.

"C'est la première fois que nous avons un algorithme capable de détecter très bien les cratères non seulement pour certaines parties de la lune, mais aussi des zones de Mercure, " dit Ali-Dib, qui a développé la technique avec Ari Silburt, Chenchong Charles Zhu et un groupe de chercheurs de la SCP et de l'Institut canadien d'astrophysique théorique (CITA).

Afin de déterminer son exactitude, les chercheurs ont d'abord entraîné le réseau de neurones sur un vaste ensemble de données couvrant les deux tiers de la lune, puis testé leur réseau formé sur le tiers restant de la lune. Cela a si bien fonctionné qu'il a pu identifier deux fois plus de cratères que le comptage manuel traditionnel. En réalité, il a pu en identifier environ 6, 000 cratères précédemment non identifiés sur la lune.

La technique elle-même repose sur un réseau de neurones convolutifs, une classe d'algorithmes d'apprentissage automatique qui a été utilisée avec succès pour la vision par ordinateur pour alimenter des robots et même des voitures autonomes. Les données utilisées par les algorithmes ont été extraites de cartes d'altitude recueillies à partir de satellites en orbite.

Alors qu'aucun des chercheurs n'avait d'expérience dans le comptage de cratères, ils ont pu développer la technique à la suite d'une série d'ateliers organisés à l'U de T Scarborough par la professeure agrégée Kristen Menou et plusieurs des auteurs sur la façon dont l'apprentissage automatique et l'apprentissage en profondeur pourraient aider à résoudre des problèmes scientifiques spécifiques.

"Des dizaines de milliers de petits cratères non identifiés sont sur la lune, et il est irréaliste pour les humains de les caractériser efficacement à l'œil nu, " dit Silburt, un ancien étudiant diplômé du département d'astronomie et d'astrophysique de l'Université de Toronto.

"Il existe un réel potentiel pour que les machines aident à identifier ces petits cratères et révèlent des indices non découverts sur la formation de notre système solaire."

Connaître la taille et l'emplacement des cratères sur des corps comme la lune est important car cela offre une fenêtre sur l'histoire de notre système solaire. En étudiant les cratères d'impact de toutes formes, tailles et âges, les chercheurs peuvent mieux comprendre la distribution de la matière et la physique qui s'est produite dans les premiers stades de notre système solaire, note Ali-Dib.

Puisque la lune n'a pas d'atmosphère, tectonique des plaques et eau, il y a peu d'érosion et par conséquent des cratères d'impact vieux de 4 milliards d'années sont visibles. L'âge des grands cratères peut également être déterminé en comptant le nombre de petits cratères qui s'y trouvent.

"Pour que cette technique fonctionne, vous avez besoin d'un corps sans air comme la lune ou Mercure, corps où il y a peu d'érosion", ajoute Ali-Dib.

Quant aux prochaines étapes, Ali-Dib dit que le plan est d'améliorer encore l'algorithme pour permettre aux chercheurs de trouver plus de cratères, et de le tester également sur d'autres corps du système solaire comme Mars, Cérès et les lunes glacées de Jupiter et de Saturne.

La recherche, qui est actuellement en cours d'examen dans la revue Icare , a reçu un financement du Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG).