使用人工智能在月球上寻找能源和矿物质

一种创新的月球扫描技术可以从望远镜图像中自动对关键的月球元素进行分类，这可能会大大提高选择 具有能源和矿产资源的地点以及进行勘探的能力。  

在月球上选择着陆和探索地点的过程实际上非常复杂。月球表面的可观测区域比俄罗斯国土面积还要大，以数千个陨石坑为标志，并由峡谷般的小溪交织在一起。

在月球上寻找有价值的矿物和能源

未来登陆和勘探地点的选择可能归结为最令人鼓舞的潜在建筑地点，以及可用的矿产和能源资源。然而，用肉眼搜索如此广阔的区域，例如寻找几百米宽的特征，是艰巨的并且经常出错，因此很难选择理想的探索区域。

现与香港中文大学合作已经利用机器学习和人工智能来自动检测和分类可能的登月和 矿产 丰富的勘探区域。

“我们正在寻找像陨石坑和小溪这样的月球特征，它们被认为是铀和氦 3 等能源的热点—这是一种很有前途的核聚变资源”。“两者都在月球陨石坑中被发现，可能是补充航天器燃料的有用资源。”

使用人工智能优化搜索

机器学习提供了一种非常有效的方法来训练 人工智能 模型以自行搜索特定特征。然而，在开发方法时面临着许多挑战，这些困难中的第一个是没有标记的 rilles 数据集可以用来教授他们的模型。

“我们通过构建我们自己的带有火山口和小溪注释的训练数据集克服了这一挑战，为此，我们使用了一种称为迁移学习的方法，在表面裂纹数据集上预训练我们的 Rille 模型，并 使用实际的 Rille 掩码进行微调。 以前的方法需要对至少部分输入图像进行手动注释，我们的方法不需要人工干预，因此允许我们构建一个大型、 高质量的数据集。”

研究人员面临的另一个困难是建立一种计算方法的能力，该方法可用于同时探测陨石坑和细沟，这是以前从未实现过的。

“这是一个像素到像素的问题，我们需要准确地掩盖月球图像中的陨石坑和细沟。“我们通过构建一个名为 high-resolution-moon-net 的深度学习框架解决了这个问题，该框架有两个独立的网络，它们共享相同的网络架构，以同时识别陨石坑和小溪。”

研究人员的新方法实现了惊人的准确率，高达 83.7%，远高于目前最先进的陨石坑探测技术。