Lunedì, 4 gennaio 2021

L'intelligenza artificiale scopre 100.000 nuovi crateri sulla Luna

Il lavoro di ricerca, che vede la collaborazione del DISI UniTrento, è stato pubblicato su Nature Communication

Versione stampabile

Più di 100 mila nuovi crateri sono stati identificati sulla Luna grazie ad un sistema di intelligenza artificiale basato sul machine learning, messo a punto da un gruppo di ricercatori guidato da Yang Chen dell’università cinese di Jilin (afferente per vari anni al Dipartimento di Ingegneria e Scienza dell’Informazione, prima come dottoranda e poi come ricercatrice post-dottorato) con il contributo di Lorenzo Bruzzone, professore al DISI.

Il lavoro di ricerca è stato pubblicato sulla prestigiosa rivista Nature Communication in un articolo dal titolo “Lunar impact crater identification and age estimation with Chang’E data by deep and transfer learning”. Si tratta del più ampio database di crateri lunari esistente al mondo, un numero di una dozzina di volte superiore a quanto finora riportato nei database precedenti.

Il clamoroso risultato è frutto di un algoritmo di apprendimento automatico basato su una particolare architettura di rete neurale convoluzionale (CNN o ConvNet). L’algoritmo ha utilizzato l’intero database di immagini acquisite dalle due missioni lunari cinesi Chang'e-1 e Chang'e-2 e, basandosi su circa 10.000 crateri noti definiti dall’Unione Astronomica Internazionale (IAU) nei decenni precedenti, è stato in grado di apprendere automaticamente quali sono le caratteristiche più riconoscibili di un cratere e di ricercarle su tutta la superficie lunare. In questo modo, gli scienziati sono riusciti a identificare ben 117.240 nuovi crateri di diametro variabile da circa 1 km fino a 532 km, distribuiti soprattutto alle medie e basse latitudini della Luna. 

Grazie al sistema di machine learning, i ricercatori sono stati in grado non solo di rilevare crateri irregolari o degradati, ma anche crateri di piccole dimensioni difficilmente identificabili con i sistemi convenzionali (l’88.14% dei crateri rilevati hanno infatti un diametro inferiore ai 10 km).

Inoltre, basandosi su informazioni morfologiche e stratigrafiche, gli scienziati hanno sviluppato una seconda architettura di rete neurale in grado di stabilire automaticamente l’età geologica di quasi 19.000 nuovi crateri situati nelle regioni di media e bassa latitudine della Luna, creando così un database 13 volte più esteso rispetto a quelli esistenti.
Il risultato è estremamente importante dal punto di vista scientifico in quanto i crateri lunari, generati da impatti con asteroidi e comete, possono essere considerati come fossili che descrivono non solo l’evoluzione del nostro satellite  ma anche quella della Terra che è stata soggetta allo stesso tipo di bombardamento nel tempo. Tuttavia i processi  tettonici e di erosione terrestri hanno cancellato molte di queste tracce. 

“La metodologia di apprendimento automatico da noi adottata” - spiega il prof. Bruzzone - è basata sul Transfer Learning (TL, trasferimento dell’apprendimento) finalizzata a sfruttare quanto appreso sulle immagini a bassa risoluzione della missione Chang'e-1 per l’analisi delle immagini ad alta risoluzione della missione Chang'e-2. In pratica, questo sistema di machine learning è simile a un supervisore che trasmette le proprie conoscenze ed esperienza da una generazione all'altra, applicando quanto imparato in precedenza per risolvere problemi nuovi. Questo approccio permette di effettuare in maniera automatica, accurata e consistente l’analisi della distribuzione dei crateri su un intero corpo celeste”.

In futuro, la metodologia sviluppata dai ricercatori potrà quindi essere adattata ad altri corpi del Sistema Solare, ad esempio: Marte, Mercurio, Venere, Vesta e Cerere; questo consentirà di estrarre automaticamente ed in maniera affidabile informazioni su scala globale difficilmente derivabili mediante analisi convenzionali manuali o tecniche automatiche di generazione precedente.

L’articolo è stato scaricato in una settimana da più di 3150 ricercatori e ha ottenuto una visibilità sui media che lo colloca nel top 2% di quelli pubblicati su Nature Communication.

Nature Communication è una rivista scientifica multidisciplinare soggetta a revisione paritaria e ad accesso aperto, pubblicata da Nature Research dal 2010.
Rete neurale convoluzionale (CNN o ConvNet) rappresenta un’architettura di rete neurale artificiale di grande successo nelle applicazioni di visione artificiale, ampiamente utilizzata anche in applicazioni che elaborano dati come audio e video. L’applicazione più popolare di rete neurale convoluzionale resta quella di identificare, da parte di un computer (e con una certa probabilità), cosa rappresenta un’immagine. Attraverso l’uso di filtri vengono estratte delle caratteristiche particolari delle immagini, e a seconda del tipo di filtro utilizzato  è possibile identificare sull’immagine di riferimento cose diverse, ad esempio i contorni delle figure, le linee verticali, le linee orizzontali, le diagonali, ecc.
Il transfer learning (TL) è una tecnica di Machine Learning in cui un modello, già addestrato su un set di dati specifico e sviluppato per un compito specifico, viene riutilizzato come punto di partenza per risolvere un problema diverso da quello per il quale era stato sviluppato inizialmente.