این پرسشی است که یک پژوهش تازه منتشرشده در مجله Icarus به دنبال پاسخ آن است. در این مطالعه، تیمی بینالمللی از پژوهشگران تلاش کردند با بهرهگیری از الگوریتمهای یادگیری ماشین، گودالها و روزنههای سطحی در نواحی آتشفشانی ماه (بهویژه نواحی بهاصطلاح ماریا) را به شکل مؤثرتری شناسایی کنند.
این تحقیق میتواند به توسعه روشهای نوینی برای شناسایی ویژگیهای کلیدی سطحی در اجرام آسمانی منجر شود؛ ویژگیهایی که میتوانند در مأموریتهای اکتشافی رباتیک یا انسانی نقش حیاتی داشته باشند.
در این پژوهش، پژوهشگران از چندین مدل یادگیری عمیق استفاده کردند تا با بهرهگیری از تصاویر مداری ماه و مریخ، گودالها و روزنهها را شناسایی کنند؛ با هدف کشف نمونههای جدیدی از این ساختارها در ماه، در کنار ۱۶ نمونهای که پیشتر در اطلس گودالهای ماه شناسایی شدهاند. یکی از گودالهایی که برای آموزش مدل استفاده شد، گودال معروف Mare Tranquillitatis بود؛ گودالی که چندینبار تصویربرداری شده و شعاعی حداقل برابر با ۱۰۰ متر و عمقی در حدود ۱۰۵ متر دارد.
در نهایت، پژوهشگران دریافتند که مدلی به نام ESSA (مخفف “ورودیهایی به مناطق زیرسطحی”) بهترین عملکرد را داشته و موفق به شناسایی دو روزنهی جدید شد؛ آن هم در حالی که فقط حدود ۱.۹۲ درصد از نواحی ماریا روی ماه را بررسی کرده بود.
در متن مقاله آمده است:
«از آنجایی که ESSA تاکنون تنها حدود ۰.۲۳٪ از سطح ماه را بررسی کرده است، هنوز دادههای گستردهای وجود دارد که میتوان آن را بر آنها اعمال کرد. در چارچوب جستوجو برای گودالها و روزنههایی که ممکن است ورودیهایی به غارها باشند، نواحی ماریا همچنان باید در اولویت پردازش توسط ESSA باقی بمانند. تاکنون، ESSA بیشتر روی ذخایر کوچکتر ماریا متمرکز بوده که مرزهای مشخصی دارند، مانند آنهایی که در دهانههای برخوردی یافت میشوند. اما با تخصیص زمان کافی برای پردازش تصاویر، این مدل میتواند در نواحی وسیعتری از ماریا مانند Mare Frigoris نیز بهدنبال گودالها و روزنهها بگردد، با بررسی بازههای طول و عرض جغرافیایی.»
همانگونه که اشاره شد، گودالها و روزنههای سطحی در ماه بهعنوان ورودیهایی به غارها و لولههای گدازهای عمل میکنند که میتوانند در آینده، مسیرهایی برای اکتشافات رباتیک یا مأموریتهای انسانی فراهم کنند تا گذشتهی آتشفشانی ماه بهتر درک شود. این ساختارها همچنین میتوانند پناهگاهی برای فضانوردان آینده باشند، چراکه برخلاف زمین، ماه فاقد جو محافظ و لایه ازون یا میدان مغناطیسی است و به همین دلیل، سطح آن در معرض پرتوهای زیانبار خورشیدی و کیهانی قرار دارد.
لولههای گدازهای پیشتر نیز در سری تلویزیونی Mars از شبکه National Geographic بهعنوان پناهگاهی امن برای نخستین فضانوردان مریخ مطرح شده بودند. درست مانند ماه، مریخ نیز فاقد میدان مغناطیسی و لایه ازون است و در نتیجه، این لولهها میتوانند حفاظی طبیعی در برابر تابشهای شدید باشند.
این مطالعه در حالی منتشر شده که ناسا در چارچوب برنامه Artemis قصد دارد طی چند سال آینده، انسان را بار دیگر به سطح ماه بازگرداند؛ برای نخستین بار از زمان مأموریت آپولو ۱۷ در سال ۱۳۵۰. گرچه در برنامه آرتیمیس هدف، فرود در قطب جنوبی ماه است و این منطقه فاصله زیادی با غارها و لولههای گدازهای دارد، اما این پژوهش نشان میدهد که چگونه میتوان با استفاده از هوش مصنوعی و یادگیری ماشین، ویژگیهای سطحی کلیدی مانند منابع یخ آبی یا ذخایر معدنی را شناسایی کرد که در آینده، برای بهرهبرداری در محل (in situ resource utilization) حیاتی خواهند بود.
علاوه بر این، کاربرد مدلهای هوش مصنوعی و یادگیری ماشین در علوم سیارهای، همچنان سرعت و کارآمدی چشمگیری از خود نشان داده و امید میرود به گسترش دانش ما دربارهی اجرام آسمانی در داخل و حتی خارج از منظومه شمسی کمک کنند.
هوش مصنوعی چگونه در سالها و دهههای آینده به شناسایی گودالها، روزنهها و سایر ویژگیهای کلیدی سطحی روی ماه و دیگر اجرام سیارهای کمک خواهد کرد؟
پاسخ این پرسش را تنها زمان مشخص خواهد کرد، و این همان دلیلی است که «علم» را پیش میبریم!
