數千年來，月球一直引人遐想，但關于它以及太陽系的歷史，仍有數不清的問題懸而未決。有些答案就存在于月球表面坑坑洼洼的隕石坑中。通過深度學習，科學家能夠比以往更清楚地看到這些隕石坑。

多倫多大學行星科學中心的博士后研究員、天體物理學家Mohamad Ali-Dib表示，可以將隕石坑研究看作“太陽系考古學”。

由于缺乏大氣和地質活動，月球、水星和火星等天體的地形特征會在一段時間內保持相對不變。對于諸如此類天體中無空氣環境的探索，研究隕石坑是一種特別有用的方法。

仔細觀察這些隕石坑，就能發現有關隕石坑歷史和太陽系演化的重要線索。但到目前為止，隕石坑是通過衛星圖像或衛星測高數據的方式進行人工計數和測量的。

“研究生全天的工作是捕獲水星、月球或火星的圖像，然后手動去數每個隕石坑。這是一項極其辛苦的工作?！?Ali-Dib說道。

他指出，人工計數存在一些問題。這將需要“一大批研究生和本科生”來完成這項繁重而艱巨的工作。這種方式是有缺陷的，因為每個助理研究員識別隕石坑的標準可能不同，而且當他們疲勞的時候準確率也會下降。

因此，Ali-Dib和多倫多大學的同事Ari Silburt以及其他組員，共同研發出了一個神經網絡，可以在幾個小時內識別出數千個以前未被發現的月球隕石坑。

聚焦月球

隕石坑的形狀大小不一，有的大到足以容下一個州，而有的小到直徑只有幾米。對于火星上隕石坑數量的估計眾說紛紜，從30萬到63.5萬余個不等，而月球上則有數百萬個。

科學家們最感興趣的是計算出不同大小隕石坑的分布情況，即計算出表面上有多少指定半徑的隕石坑。根據分布情況，他們可以了解造成隕石坑的撞擊物的大小和數量，這也正是天體物理學家可以將其與太陽系碰撞理論相關聯的信息。

其中一個理論是：巨行星不穩定。一些科學家推測，在太陽系的早期，像木星和土星這樣的氣態巨行星的軌道在一段時間內曾變得混亂無序。根據此理論，軌道混亂會將小行星拋向整個太陽系，從而導致激烈的碰撞。這樣的天體運動就會在像月球這樣的環境中留下痕跡，即大小不一的隕石坑分布。

通過計算機記錄月球隕石坑，科學家們可以更好地了解月球隕石坑的大小及其分布情況。這反過來又為他們提供了更多的數據，從而證實太陽系歷史的理論。

研究人員在SciNet HPC Consortium 的P8超級計算機上使用NVIDIA Tesla P100 GPU進行訓練和推理。

在對月球圖像進行分析時，研究人員的卷積神經網絡在發現已確定的隕石坑方面的準確率達到了92%。除此之外，深度學習模型在短短幾小時內就發現了6000個新的隕石坑。這幾乎是人們在數十年的研究過程中手動識別數量的兩倍。

Ali-Dib指出，其中大部分是研究小組希望通過神經網絡捕獲的較小隕石坑。這些微小的隕石坑是現有數據集中缺少的部分，因為它們太小太多，無法花費昂貴的人工時間來記錄。

左圖：測試數據中的月球樣圖。中圖：研究人員的神經網絡成功識別出以前人工編碼的隕石坑（藍色）和數以千計的新隕石坑（紅色）。右圖：人工編碼的地面實況數據，用于評估神經網絡。藍色圓圈表示與研究人員的方法匹配成功的隕石坑，而紫色圓圈則表示神經網絡遺漏的隕石坑。

近觀月球以及其他星體

除了可以更詳細地了解月球外，還可以通過類似的衛星數據了解水星和火星。未來可能還將研究其他無空氣天體（如小行星、彗星和一些巨行星）的衛星數據。

研究人員已經利用一種叫做遷移學習（transfer learning）的技術觀察水星的隕石坑：他們利用其采用月球數據訓練的神經網絡來分析水星的圖像。

此外，研究小組還在研究隕石坑深度等其他特征?？茖W家感興趣的另一個參數是隕石坑的年齡。但Ali-Dib表示，要弄清楚這一點，僅靠衛星數據遠遠不夠，還“需要真正的隕石”。