Китайские учёные автоматизировали классификацию кратеров Марса с помощью ИИ. Технология поможет выбирать безопасные зоны для марсоходов

Китайские учёные совершили прорыв в анализе марсианской поверхности, разработав систему на основе глубоких нейронных сетей, которая автоматически классифицирует ударные кратеры с точностью до 90,3%.

Алгоритм, обученный на снимках камеры MoRIC с зонда «Тяньвэнь-1», определяет шесть типов кратеров — от свежих, с чёткими краями, до древних, почти стёртых эрозией. Это в разы сокращает время обработки данных и снижает ошибки, которые при ручной классификации достигали 35%, особенно для объектов размером менее километра.

^[1]

Технология работает по принципу, схожему с распознаванием объектов в автономных автомобилях: нейросети анализируют геометрию краёв, структуру дна и другие визуальные признаки, сопоставляя их с эталонными данными из каталога Роббинса — крупнейшей базы марсианских кратеров. Однако ключевой вызов — несбалансированность данных. Например, кратеров одного типа в выборке может быть в десятки раз больше, чем других. Чтобы нейросеть не игнорировала редкие классы, исследователи применили два подхода. Первый — сглаживание меток, когда алгоритму «разрешают» сомневаться в чёткой принадлежности объекта к доминирующему классу. Второй — взвешенные ошибки, где система сильнее «штрафуется» за неточности в малочисленных категориях.

Лучший результат показала модель Vision Transformer (ViT), которая разбивает изображение на фрагменты и анализирует их как пазл. Её точность на 1,3% выше, чем у классических свёрточных сетей (CNN), таких как VGGNet11. Такая эффективность уже сейчас позволяет использовать систему для определения возраста регионов Марса — чем больше кратеров на участке, тем он старше — и выбора безопасных зон для посадки марсоходов. Например, свежие кратеры часто указывают на устойчивый грунт, а размытые — на риск застревания.

Перспективы технологии выходят за рамки Красной планеты. Учёные планируют адаптировать её для анализа данных с Луны и астероидов, где ручная обработка невозможна из-за задержек связи. В будущем алгоритмы могут объединить с системами обнаружения кратеров в реальном времени, превращая сырые снимки зондов в динамические карты за считанные часы. Это не только ускорит изучение геологической истории Марса, но и заложит основу для автономных миссий к Юпитеру или в пояс астероидов, где каждое решение должно приниматься без участия Земли. С автоматизацией такого уровня планетология вступает в эру, когда даже редкие типы кратеров становятся ключом к расшифровке хроники Солнечной системы.

Источник ^[2]