數千年來，月球一直引人遐想，但關于它以及太陽系的歷史，仍有數不清的問題懸而未決。有些答案就存在于月球表面坑坑洼洼的隕石坑中。通過深度學習，科學家能夠比以往更清楚地看到這些隕石坑。

多倫多大學行星科學中心的博士后研究員、天體物理學家Mohamad Ali-Dib表示，可以將隕石坑研究看作“太陽系考古學”。

由于缺乏大氣和地質活動，月球、水星和火星等天體的地形特征會在一段時間內保持相對不變。對于諸如此類天體中無空氣環(huán)境的探索，研究隕石坑是一種特別有用的方法。

仔細觀察這些隕石坑，就能發(fā)現有關隕石坑歷史和太陽系演化的重要線索。但到目前為止，隕石坑是通過衛(wèi)星圖像或衛(wèi)星測高數據的方式進行人工計數和測量的。

“研究生全天的工作是捕獲水星、月球或火星的圖像，然后手動去數每個隕石坑。這是一項極其辛苦的工作?！?Ali-Dib說道。

他指出，人工計數存在一些問題。這將需要“一大批研究生和本科生”來完成這項繁重而艱巨的工作。這種方式是有缺陷的，因為每個助理研究員識別隕石坑的標準可能不同，而且當他們疲勞的時候準確率也會下降。

因此，Ali-Dib和多倫多大學的同事Ari Silburt以及其他組員，共同研發(fā)出了一個神經網絡，可以在幾個小時內識別出數千個以前未被發(fā)現的月球隕石坑。

聚焦月球

隕石坑的形狀大小不一，有的大到足以容下一個州，而有的小到直徑只有幾米。對于火星上隕石坑數量的估計眾說紛紜，從30萬到63.5萬余個不等，而月球上則有數百萬個。

科學家們最感興趣的是計算出不同大小隕石坑的分布情況，即計算出表面上有多少指定半徑的隕石坑。根據分布情況，他們可以了解造成隕石坑的撞擊物的大小和數量，這也正是天體物理學家可以將其與太陽系碰撞理論相關聯的信息。

其中一個理論是：巨行星不穩(wěn)定。一些科學家推測，在太陽系的早期，像木星和土星這樣的氣態(tài)巨行星的軌道在一段時間內曾變得混亂無序。根據此理論，軌道混亂會將小行星拋向整個太陽系，從而導致激烈的碰撞。這樣的天體運動就會在像月球這樣的環(huán)境中留下痕跡，即大小不一的隕石坑分布。

通過計算機記錄月球隕石坑，科學家們可以更好地了解月球隕石坑的大小及其分布情況。這反過來又為他們提供了更多的數據，從而證實太陽系歷史的理論。

研究人員在SciNet HPC Consortium 的P8超級計算機上使用NVIDIA Tesla P100 GPU進行訓練和推理。

在對月球圖像進行分析時，研究人員的卷積神經網絡在發(fā)現已確定的隕石坑方面的準確率達到了92%。除此之外，深度學習模型在短短幾小時內就發(fā)現了6000個新的隕石坑。這幾乎是人們在數十年的研究過程中手動識別數量的兩倍。

Ali-Dib指出，其中大部分是研究小組希望通過神經網絡捕獲的較小隕石坑。這些微小的隕石坑是現有數據集中缺少的部分，因為它們太小太多，無法花費昂貴的人工時間來記錄。

左圖：測試數據中的月球樣圖。中圖：研究人員的神經網絡成功識別出以前人工編碼的隕石坑（藍色）和數以千計的新隕石坑（紅色）。右圖：人工編碼的地面實況數據，用于評估神經網絡。藍色圓圈表示與研究人員的方法匹配成功的隕石坑，而紫色圓圈則表示神經網絡遺漏的隕石坑。

近觀月球以及其他星體

除了可以更詳細地了解月球外，還可以通過類似的衛(wèi)星數據了解水星和火星。未來可能還將研究其他無空氣天體（如小行星、彗星和一些巨行星）的衛(wèi)星數據。

研究人員已經利用一種叫做遷移學習（transfer learning）的技術觀察水星的隕石坑：他們利用其采用月球數據訓練的神經網絡來分析水星的圖像。

此外，研究小組還在研究隕石坑深度等其他特征?？茖W家感興趣的另一個參數是隕石坑的年齡。但Ali-Dib表示，要弄清楚這一點，僅靠衛(wèi)星數據遠遠不夠，還“需要真正的隕石”。