天文学家让一个可怜的机器人数出了10万个月球陨石坑

如果机器人真的起义了，它们可能会在自己的不满中再添一项。一个国际研究小组开发了一种机器学习算法，可以完成行星科学家不会或永远无法完成的任务。

在将月球表面分解成数十亿个像素并煞费苦心地了解灰点之间的关系后，新算法积累了研究人员所说的迄今为止最广泛的月球陨石坑数据库——列出了超过 100,000 个月球凹坑。这款坚忍的软件甚至设法确定了其中近 20,000 个凹坑的年龄，这些凹坑是太阳系这一角落数十亿年历史的完美记录。

参与该项目的意大利特伦托大学电信学教授洛伦佐·布鲁佐内说：“我们在月球上看到的景象与我们在地球上看到的景象相似，但月球上有侵蚀，地球上有风和天气。月球上的一切都和地球一模一样。”

此前，收集陨石坑目录的工作主要依靠人工。这意味着行星科学家需要逐帧查看单调的灰度图，计算陨石坑的数量，并根据其形状、暴露的地下层以及（在幸运的情况下）阿波罗宇航员带回的岩石的年代来确定它们的年代。布鲁佐内和他的同事从黄金标准数据库的一个子集开始，该子集是国际天文学联合会 (IAU) 在过去一个世纪编制的一份包含约 9,000 个陨石坑（其中约 1,700 个有年代）的清单。

然后他们教机器代替他们完成这项工作。但机器学习是一种黑暗艺术，甚至连计算机科学家都无法完全理解哪种算法最适合特定任务（例如陨石坑计数）。简而言之，找到这条捷径并不容易。

该团队最终选择了卷积神经网络程序，这种技术利用反复试验来研究标记图像（“这些是陨石坑”），并自动学习物体最容易识别的特征，然后可以使用这些特征来标记图像（“陨石坑”或“不是陨石坑”）。但是，建立卷积神经网络的方法有很多，该团队尝试了许多不同的配置，每种配置都需要超级计算机花几天时间才能处理。

在他们找到一个可以识别陨石坑并识别国际天文学联合会名单上其他已知陨石坑的神经网络结构后，他们开始研究最清晰的月球表面照片——来自中国嫦娥一号 (CE-1) 和嫦娥二号 (CE-2) 轨道器的数据。CE-1 图像可以分辨出最小 150 米宽的陨石坑，而 CE-2 照片则可以分辨出最小 7 米宽的陨石坑，因此该团队实际上建立了两个相关的神经网络。一个网络在 CE-1 图像中识别出较大的陨石坑，然后能够“教会”第二个网络在 CE-2 图像中找到较小的陨石坑。为此，它使用了一种称为迁移学习的技术，布鲁佐内将其比作导师培训继任者。

“我有经验，我教别人，”他说。“也许他们会因为有更新鲜的信息而提高结果。”

最后，这两个网络梳理了几乎覆盖整个月球表面的图像，识别出大约 117,000 个陨石坑，从一公里的凹坑到 500 公里的火山口不等。作者说，新数据库包含的陨石坑数量比其他数据库多 15 倍左右。他们于周一在《自然通讯》上发表了他们的研究成果。

这些程序自信地确定了近 20,000 个特征的年代——在处理陨石坑重叠时，这绝非易事。为了确保网络不会出现问题，不会捏造陨石坑和数字，该小组将陨石坑与不同的现有数据库进行核对，甚至安排多个行星科学家团队以传统方式（耗时数月）对几千个新发现的陨石坑进行年代测定。根据各种测量方法，机器的结果准确率约为 85% 至 95%。

布鲁佐内指出，这并非完美，但人类也不完美，更不用说数百名有缺陷的人类的共同努力了。他预计，在统一、有据可查的月球数据库中，行星科学家将能够以前所未有的细节了解月球的历史。

“如果你的分析基于有限数量的陨石坑，你就无法了解整体情况，”他说。“下一步是开始分析，了解所有新发现的陨石坑的意义。”

他认为大数据（比如这个项目，因为算法筛选了 200 GB 的图像）是行星科学的强大新兴工具。现在该团队已经研究出如何建立正确的神经网络，他们希望对研究人员拥有清晰图像的其他星球（如谷神星或火星）做类似的事情。布鲁佐内推测，他们甚至可能能够使用月球网络来训练其他人。“我们肯定需要进行一些调整，”他说，“但我们可能不必从头开始。”

希望机器能够继续耐心配合。