Sử dụng Trí tuệ nhân tạo khai phá tài nguyên trên Mặt trăng

Một sáng tạo kỹ thuật Moon-scan mới có thể tự động phân loại các yếu tố quan trọng từ hình ảnh kính viễn vọng có thể dẫn đến tăng cường đáng kể khả năng tìm kiếm nguồn năng lượng và tài nguyên khoáng sản trên Mặt trăng. 

Quá trình lựa chọn địa điểm hạ cánh và thăm dò trên Mặt trăng thực sự vô cùng phức tạp. Diện tích có thể quan sát được của bề mặt Mặt Trăng được đánh dấu bởi hàng nghìn miệng núi lửa và đan xen bởi các đường rãnh giống như hẻm núi. 

Tìm kiếm các khoáng chất và nguồn năng lượng có giá trị trên Mặt trăng

Lựa chọn về các địa điểm thăm dò và hạ cánh trong tương lai có thể dẫn đến các địa điểm tiềm năng đáng khích lệ nhất để xây dựng, cũng như tìm kiếm hoặc tận dụng các nguồn tài nguyên năng lượng và khoáng sản sẵn có. Tuy nhiên, việc tìm kiếm những khu vực rộng lớn như vậy bằng mắt thường rất khó khăn và thường xuyên bị sai sót, do đó khó khăn trong việc lựa chọn những vùng lý tưởng để khám phá.

Siyuan Chen, Xin Gao và Shuyu Sun, cùng với các cộng sự từ Đại học Khoa học và Công nghệ King Abdullah (KAUST) hiện nay sử dụng máy học và trí tuệ nhân tạo để tự động phát hiện và phân loại các nơi có thể hạ cánh trên Mặt trăng chứa đầy khoáng sản tha hồ thăm dò phong phú.

Chen giải thích: "Chúng tôi đang tìm kiếm các đặc điểm Mặt trăng như miệng núi lửa và rãnh, được cho là điểm nóng cho các nguồn năng lượng như uranium và helium-3 - một nguồn tài nguyên đầy hứa hẹn cho phản ứng tổng hợp hạt nhân. Cả hai đều đã được phát hiện trong các miệng núi lửa trên Mặt trăng và có thể là nguồn tài nguyên hữu ích để bổ sung nhiên liệu cho tàu vũ trụ trong tương lai".

Tối ưu hóa việc tìm kiếm với Trí tuệ nhân tạo 

Học máy cung cấp một phương pháp cực kỳ hiệu quả để đào tạo mô hình Trí tuệ nhân tạo tự tìm kiếm các đặc điểm cụ thể. Tuy nhiên, Chen và các cộng sự của ông phải đối mặt với một số thách thức khi phát triển phương pháp của họ; khó khăn đầu tiên là không có tập dữ liệu được gắn nhãn cho các rãnh địa chất có thể được sử dụng để dạy mô hình AI.

Chen cho biết: "Chúng tôi đã vượt qua thách thức này bằng cách xây dựng bộ dữ liệu đào tạo của riêng mình với các chú thích cho cả miệng núi lửa và các rãnh địa chất Mặt trăng. Để làm được điều này, chúng tôi sử dụng một cách tiếp cận gọi là học tập chuyển giao mô hình Rillé trên một tập dữ liệu vết nứt bề mặt thực tế. Do đó cho phép chúng tôi xây dựng một bộ dữ liệu lớn, chất lượng cao hơn".

Một khó khăn khác mà các nhà nghiên cứu phải đối mặt là khả năng xây dựng một phương pháp tính toán có thể áp dụng để phát hiện đồng thời cả miệng núi lửa và rãnh địa chất, điều chưa đạt được trước đây.

Chen giải thích: "Đây là một vấn đề chúng ta cần định vị chính xác các miệng núi lửa và rãnh địa chất trong hình ảnh Mặt trăng. "Chúng tôi đã giải quyết vấn đề này bằng cách xây dựng một khung học sâu có tên là high-Resolution-moon-net, có hai mạng độc lập chia sẻ cùng một kiến trúc mạng để xác định đồng thời miệng núi lửa và rãnh địa chất".

Phương pháp luận mới của các nhà nghiên cứu đã đạt được tỷ lệ chính xác đáng kinh ngạc, cao tới 83,7%, cao hơn nhiều so với các kỹ thuật hiện đại tương tự để phát hiện miệng núi lửa.