Une méthode de balayage de la lune qui peut classer automatiquement les caractéristiques lunaires importantes à partir des images du télescope pourrait améliorer considérablement l'efficacité de la sélection des sites d'exploration.

Il y a plus qu'il n'y paraît à choisir un site d'alunissage ou d'exploration sur la lune. La zone visible de la surface lunaire est plus grande que la Russie et est grêlée de milliers de cratères et sillonnée de rainures ressemblant à des canyons. Le choix des futurs sites d'atterrissage et d'exploration peut se résumer aux emplacements potentiels les plus prometteurs pour la construction, minéraux ou ressources énergétiques potentielles. Cependant, balayer à l'œil nu une si grande surface, à la recherche d'éléments de quelques centaines de mètres de diamètre, est laborieux et souvent inexact, ce qui rend difficile la sélection de zones optimales pour l'exploration.

Siyuan Chen, Xin Gao et Shuyu Sun, avec des collègues de l'Université chinoise de Hong Kong, ont maintenant appliqué l'apprentissage automatique et l'intelligence artificielle (IA) pour automatiser l'identification des zones d'alunissage et d'exploration potentielles.

"Nous recherchons des caractéristiques lunaires comme des cratères et des rainures, qui sont considérés comme des points chauds pour les ressources énergétiques comme l'uranium et l'hélium-3, une ressource prometteuse pour la fusion nucléaire, ", dit Chen. "Les deux ont été détectés dans des cratères lunaires et pourraient être des ressources utiles pour reconstituer le carburant des engins spatiaux."

L'apprentissage automatique est une technique très efficace pour entraîner un modèle d'IA à rechercher certaines fonctionnalités par lui-même. Le premier problème rencontré par Chen et ses collègues était qu'il n'y avait pas de jeu de données étiqueté pour les rainures pouvant être utilisé pour entraîner leur modèle.

"Nous avons surmonté ce défi en construisant notre propre ensemble de données d'entraînement avec des annotations pour les cratères et les rainures, " dit Chen. " Pour ce faire, nous avons utilisé une approche appelée apprentissage par transfert pour pré-entraîner notre modèle de rainure sur un ensemble de données de fissure de surface avec quelques réglages fins à l'aide de masques de rainure réels. Les approches précédentes nécessitent une annotation manuelle pour au moins une partie des images d'entrée - notre approche ne nécessite pas d'intervention humaine et nous a donc permis de construire un grand ensemble de données de haute qualité. »

Le prochain défi consistait à développer une approche informatique qui pourrait être utilisée pour identifier à la fois des cratères et des rainures, quelque chose qui n'avait pas été fait auparavant.

"Il s'agit d'un problème de pixel à pixel pour lequel nous devons masquer avec précision les cratères et les rainures dans une image lunaire, " dit Chen. " Nous avons résolu ce problème en construisant un cadre d'apprentissage en profondeur appelé high-resolution-moon-net, qui dispose de deux réseaux indépendants partageant la même architecture de réseau pour identifier simultanément les cratères et les rainures."

L'approche de l'équipe a atteint une précision aussi élevée que 83,7%, supérieur aux méthodes de pointe existantes pour la détection des cratères.