Des algorithmes d’apprentissage automatique aident les scientifiques à explorer Mars

Des Algorithmes D'apprentissage Automatique Aident Les Scientifiques à Explorer Mars

Mars est un centre d’intérêt pour la communauté astronomique depuis un certain temps. Visant l’exploration et l’étude de la planète, des équipements tels que des satellites, des robots, une sonde et même un hélicoptère sont utilisés par les scientifiques pour percer les mystères du monde rouge. Le plus ancien actuellement en fonctionnement est le rover Curiosity de la NASA, qui achèvera 10 ans de fonctionnement en 2022 – et dont les données sont combinées avec des algorithmes d’apprentissage automatique pour sonder la surface martienne en détail.

Rover Curiosité

Depuis 2012, le rover Curiosity explore Mars et ses données sont désormais analysées à l’aide du machine learning. Image : Nasa/Divulgation

Un nouvel article publié dans la revue scientifique Sciences de la Terre et de l’Espace se concentre sur les données collectées par Curiosity via la suite d’instruments Chemistry and Camera (ChemCam).

Comme l’expliquent les scientifiques, ChemCam combine deux instruments : un spectromètre à décomposition induite par laser (LIBS) et une micro-imagerie à distance (RMI) pour une imagerie haute résolution.

L’instrument LIBS de ChemCam fonctionne en faisant sauter des échantillons de roche avec de puissantes impulsions laser, ce qui fait évoluer le matériau en un microplasme avec des atomes et des ions animés qui émettent une lumière caractéristique tout en se décomposant.

Comme chaque élément émet un spectre de lumière unique au fur et à mesure qu’il se décompose, ChemCam peut collecter la lumière dans trois spectromètres différents, permettant aux scientifiques de déterminer la composition chimique de chaque échantillon.

Depuis que le rover Curiosity a atterri dans le cratère Gale en 2012, ChemCam a collecté plus de 800 000 spectres individuels à partir de plus de 2 500 échantillons. Cependant, l’utilisation de l’apprentissage automatique pour étudier les données ChemCam reste difficile en raison du manque d’ensembles de données d’entraînement sur Mars, selon Kristin Rammelkamp, ​​auteur principal de l’étude.

Dans leurs recherches, Rammelkamp et son équipe ont utilisé un algorithme d’apprentissage automatique non supervisé pour classer les données ChemCam des 2 756 premiers soleils (environ 7 ans) de l’exploration du cratère Gale par Curiosity.

Depuis que le rover a atterri, il a traversé plusieurs régions géologiques distinctes. L’algorithme a trié les données ChemCam en six groupes de composition chimique différents, qui comprennent le dioxyde de silicium élevé et faible, felsique (forte et faible teneur en oxyde d’aluminium et en alcali), l’oxyde de calcium élevé et faible et l’oxyde de fer total élevé.

Selon l’équipe, les découvertes révèlent des transitions entre des régions géologiquement différentes le long de la traversée de Curiosity depuis qu’elle a quitté le site d’atterrissage. Les résultats ont été obtenus en utilisant uniquement les données LIBS, et aucune donnée d’apprentissage n’a été nécessaire.

De plus, les six groupes distincts servent de données d’apprentissage pour les algorithmes d’apprentissage automatique supervisé, qui se sont avérés exemplaires avec un classificateur de forêt aléatoire.

Selon les auteurs, des algorithmes d’apprentissage automatique comme celui-ci peuvent constituer un outil puissant pour cartographier la surface de Mars à grande échelle.

Cette capacité deviendra de plus en plus utile à mesure que de plus en plus d’équipements explorent la planète rouge, comme le rover Perseverance de la NASA, qui a atterri en février 2021 (et a déjà collecté ses propres données LIBS du cratère Jezero avec l’instrument successeur de ChemCam. , le SuperCam), et la Chine rover Zhurong, qui a atterri en mai.

Avez-vous regardé nos nouvelles vidéos sur Youtube? Abonnez-vous à notre chaîne !