天文学家让一个可怜的机器人数了100,000个月球陨石坑

如果机器人起义到来，机器可能会在他们的不满清单中引用一个新条目。一个国际研究小组开发了一种机器学习算法来完成一项行星科学家永远不会或无法完成的任务。

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联之后，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10万多个月球凹坑。斯多葛软件甚至设法确定了其中近2万个凹坑的年龄，这些凹坑是太阳系这个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教授洛伦佐·布鲁兹佐说，“我们在月球上看到的和我们在地球上看到的相似，但是我们在地球上有侵蚀、风和天气。”“在月球上，一切都和以前一样。”

收集以前的陨石坑目录基本上是手工完成的。这意味着行星科学家们要一帧一帧地研究单调的灰度景观，计算陨石坑，并根据它们的形状、暴露的地下层以及（幸运的情况下）Apollo宇航员带回的岩石的日期来计算它们的年龄。布鲁兹宗和他的同事们从黄金标准数据库的一个子集开始——国际天文学联盟（IAU）在上个世纪汇编了大约9000个陨石坑的列表（其中大约1700个已经过时）。

然后他们教机器做这项工作。但是机器学习是一门黑暗的艺术，甚至计算机科学家也不完全理解哪种算法最适合特定任务（比如陨石坑计数）。简而言之，找到这条捷径并不容易。

该团队确定了一种名为卷积神经网络的程序。这种技术使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，然后用这些特征来标记图像（“陨石坑”或“不是陨石坑”）。但是有很多方法可以建立卷积神经网络，该小组尝试了许多不同的配置，每一种都需要几天时间才能在超级计算机上处理。

一旦他们在一个神经网络结构上着陆，该结构可以了解陨石坑是什么，并发现IAU名单上的其他已知陨石坑，他们就开始研究月球表面最清晰的照片——来自中国嫦娥一号（CE-1）和嫦娥二号（CE-2）轨道飞行器的数据。CE-1图像解析出直径只有150米的特征，而CE-2照片下降到7米，因此该小组实际上建立了两个相关的神经网络。一个在CE-1图像中识别出更大的陨石坑，然后能够“教”第二个网络在CE-2图像中找到更小的陨石坑。为此，它使用了一种被称为迁移学习的技术，Bruzzone将其比作导师培训继任者。

“我有经验，我教别人，”他说。“也许他们提高了结果，因为他们有更新鲜的信息。”

最终，这两个网络梳理了几乎覆盖整个月球表面的图像，确定了大约11.7万个陨石坑，范围从一公里的凹坑到500公里的火山口。作者说，新数据库包含的陨石坑大约是其他数据库的15倍。他们周一在《自然通讯》上发表了他们的工作。

这些项目觉得自己有足够的信心，可以对其中近2万个地貌特征进行年代划分。在处理陨石坑重叠的陨石坑时，这可不是一件小事。为了确保这些网络不会相互对眼，编造陨石坑和数字，该小组根据现有的不同数据库检查了它们的陨石坑，甚至安排了多个行星科学家团队，用老式方法（耗时数月）对几千个新发现的陨石坑进行年代测定。在各种衡量标准下，这些机器的结果准确率在85%到95%之间。

布鲁兹宗指出，这并不完美，但人类也不完美，更不用说数百名有自身缺陷的人类的共同努力了。他预计，在以统一、记录的方式编制的全面月球数据库中，行星科学家将能够以前所未有的细节阅读月球的历史。

“如果你的分析基于有限数量的陨石坑，你就没有大局，”他说。 “下一步是开始分析、理解所有已确认的新陨石坑的意义。”

他认为大数据（比如这个项目，算法筛选200千兆字节的图像）是行星科学的一个强大的新兴工具。现在，该小组已经找到了如何建立正确类型的神经网络，它希望为其他世界的研究人员做一些类似的事情，比如谷神星或火星的清晰图像。Bruzzone推测，他们甚至可以使用月球网络来训练其他人。“我们肯定需要一些适应，”他说，“但我们可能不必从头开始。”

希望机器继续耐心合作。