Da uno studio congiunto, un metodo di scansione delle immagini basato su deep learning in grado di classificare automaticamente alcune caratteristiche lunari a partire dai dati video provenienti da un telescopio. L’obiettivo è migliorare l'efficienza nell’identificazione dei siti da esplorare alla ricerca dell'elio-3, risorsa promettente per la futura fusione nucleare.

TAKEAWAY

  • I reattori nucleari che utilizzano l’elio-3 sono considerati la generazione futura della fusione nucleare, nonché una fonte di energia pulita ideale.
  • Si stima che una tonnellata di elio-3 possa produrre 10.000 MW/anno di elettricità. Ma c’è un problema: sulla Terra manca la materia prima. Sulla Luna, invece, risulta che l’elio-3 sia presente tra le rocce lunari.
  • Da qui, l’importanza dei crateri e dei solchi lunari quali punti caldi per l’identificazione di questa nuova fonte di energia. A tale riguardo, un team di ricerca internazionale si è avvalso di un sistema AI per automatizzare l’individuazione delle potenziali aree di atterraggio e di esplorazione sulla Luna.

Parlare – associando le due sfere – di intelligenza artificiale ed esplorazioni lunari non rimanda a un nuovo film di fantascienza, ma a un ambito che segna un recente filone di ricerca, ossia quello dei programmi spaziali per lo sfruttamento lunare a fini energetici, ai quali Paesi come la Cina stanno già lavorando. Di che cosa si tratta?

Partiamo dal fondo, focalizzandoci sull’elio-3, isotopo leggero (e non radioattivo) dell’elio, utilizzato, ad esempio, nella rilevazione dei neutroni, nella criogenia e in quello che è considerato un modo più pulito di sfruttare i reattori nucleari per fornire energia e sul quale la comunità scientifica sta studiando da tempo. Stiamo parlando della fusione nucleare, diversa rispetto alla “fissione” – sulla quale poggia la maggior parte dei reattori – in primis per il fatto che quest’ultima produce enormi quantità di emissioni di gas serra e di scorie radioattive.

In particolare, i reattori a fusione nucleare che utilizzano l’elio-3, in quanto isotopo non radioattivo, sono considerati la generazione futura della fusione, nonché una fonte di energia pulita ideale e un’arma potente per riuscire a fare fronte al riscaldamento globale. Naturalmente, stiamo parlando di un futuro non vicino e di un campo di studi in fase iniziale.

Si stima che una tonnellata di elio-3 possa produrre 10.000 MW/anno di elettricità. Ma c’è un problema grosso: sulla Terra manca la materia prima. Sulla Luna, invece, dall’analisi dei campioni prelevati durante le missioni Apollo, risulta che l’elio-3 sia presente nella percentuale dello 0.01% tra le rocce lunari, per un totale di circa un milione di tonnellate.

Intelligenza artificiale ed esplorazioni lunari: il metodo High Resolution Net per automatizzare l’identificazione dei siti di interesse

Da qui, l’importanza dei crateri e dei solchi lunari quali punti caldi per l’identificazione di questa fonte di energia sulla Luna. Tuttavia, c’è bisogno di un metodo, di uno strumento di calcolo che possa supportare ricercatori e studiosi nel riconoscere in modo automatico le caratteristiche lunari di maggiore interesse e che faciliti così la scoperta dei siti da esplorare.

C’è da dire che l’area visibile della superficie lunare è più grande della Russia. E che i suoi crateri e i suoi solchi (simili a canyon) sono migliaia. Dunque, la scansione ad occhio, alla ricerca di elementi di qualche centinaio di metri di diametro, risulta laboriosa e spesso imprecisa.

In risposta, Siyuan Chen, Xin Gao e Shuyu Sun – ricercatori del Computational Bioscience Research Center, Computer, Electrical and Mathematical Sciences and Engineering Division, della King Abdullah University of Science and Technology (KAUST), in Arabia saudita – insieme ai colleghi del Department of Computer Science and Engineering dell’Università cinese di Hong Kong, hanno applicato le tecniche che fanno capo all’ambito di studi dell’intelligenza artificiale e, più precisamente il machine learning, per automatizzare l’identificazione delle potenziali aree di atterraggio e di esplorazione.

In un documento pubblicato il 19 maggio 2021 su Science Direct, illustrano il funzionamento del metodo messo a punto in tema intelligenza artificiale ed esplorazioni lunari, spiegando che esso si avvale di un modello di deep learning all’avanguardia.

High Resolution Net – così si chiama il metodo – è in grado di estrarre in modo efficiente informazioni semantiche e informazioni spaziali ad alta risoluzione dalle immagini di input provenienti dai telescopi, riuscendo a riconoscere crateri e solchi allo stesso tempo.

La tecnica dell’apprendimento per trasferimento (transfer learning)

Siyuan Chen spiega che, laddove vi era un problema di carenza di dati, si è ricorsi all’ “apprendimento per trasferimento” (o “transfer learning”), approccio del deep learning che consente di utilizzare determinati dati di un modello addestrato per definire nuovi modelli correlati, ovvero di usare la conoscenza di un determinato compito come input per eseguire nuovi compiti.

La prima sfida di questo tipo affrontata dal gruppo – prosegue il ricercatore – ha riguardato, nello specifico, la mancanza di set di dati video etichettati relativi ai solchi lunari:

Per superare tale sfida mediante l’apprendimento per trasferimento, abbiamo pre-addestrato il nostro modello di solchi su un set di immagini di crepe del terreno superficiali, regolandole sovrapponendo alcune ‘maschere’ di crepe lunari reali. E, mentre gli approcci precedenti di questo tipo richiedevamo l’annotazione manuale per almeno una parte delle immagini di input, questo non ha richiesto alcun intervento umano e, quindi, ci ha permesso di costruire un grande set di dati di alta qualità”

La sfida successiva in tema di intelligenza artificiale ed esplorazioni lunari ha interessato lo sviluppo di un approccio computazionale che potesse essere utilizzato per identificare contemporaneamente sia i crateri che i solchi lunari, cosa che non era mai stata fatta prima:

Si è trattato in questo caso, di un problema pixel-to-pixel, per il quale abbiamo dovuto mascherare accuratamente i crateri e i solchi nelle immagini lunari di partenza, costruendo un framework di deep learning chiamato high-resolution-moon-net, provvisto di due reti indipendenti che condividono la stessa architettura per identificare contemporaneamente immagini di crateri e di solchi

L’approccio del team – fa notare Chen – ha raggiunto una precisione dell’83,7%, risultando al momento, superiore rispetto ai metodi esistenti per il rilevamento dei solchi e dei crateri lunari.

Lo step successivo prevede un affinamento del modello di intelligenza artificiale definito, al fin di renderlo ancora più preciso e puntuale,

Scritto da:

Paola Cozzi

Giornalista Leggi articoli Guarda il profilo Linkedin