Een recente studie, gepresenteerd op de 56e Lunar and Planetary Science Conference (LPSC), onderzoekt het gebruik van kunstmatige intelligentie (AI) om het in kaart brengen en de beeldvorming op Mars te verbeteren. Het onderzoek richt zich op het verbeteren van orbitale beelden van de Mars Reconnaissance Orbiter (MRO) Context Camera (CTX) met behulp van machine learning-modellen.
Dr. Andrew Annex van het SETI Institute leidde de studie, met als doel de wetenschappelijke ontdekking te versnellen en de waarde van bestaande Mars-datasets te maximaliseren. Hij ontwikkelde een visuele zoekmachine die in staat is om globale CTX-mozaïekbeelden te analyseren en specifieke beeldovereenkomsten over de hele planeet te identificeren.
De studie evalueerde content-based image retrieval (CBIR), OpenAI CLIP en cloud computing-architectuur. CBIR scant databases op vergelijkbare beelden op basis van inhoud, terwijl OpenAI CLIP beelden en tekst vergelijkt met behulp van grote datasets. Cloud computing beheert uitgebreide data via externe servers.
Dr. Annex gebruikte met succes machine learning om globale CTX-mozaïekbeelden op Mars te analyseren, inclusief het zoeken en identificeren van specifieke beeldovereenkomsten op de Rode Planeet. Dit onderzoek opent deuren voor verbeteringen in zoekopdrachten op planetaire oppervlakken in het hele zonnestelsel.
Sinds NASA's Mariner 4 in 1965 de eerste foto van een Mars-orbiter maakte, hebben talloze Mars-orbiters gedetailleerde beelden van het oppervlak van de planeet geleverd. Het gehele oppervlak van Mars is in beeld gebracht door NASA's Context Camera en High Resolution Imaging Science Experiment (HiRISE) camera.
Dr. Annex benadrukt het belang van machine learning om beeldanalysemethoden te verbeteren, en merkt op dat hoewel de rekenkracht is toegenomen, de snelheid van data-analyse niet is bijgebleven. Machine learning biedt flexibiliteit en snelheid bij het automatiseren van taken, als aanvulling op bestaande methoden.
Machine learning is een hulpmiddel dat bestaande methoden en analyses kan aanvullen en verbeteren, waardoor de snelheid en nauwkeurigheid van beeldanalyse wordt verbeterd, wat leidt tot nieuwe ontdekkingen over Mars en andere planeten.