Искусственный интеллект споткнулся о Луну — карты кратеров пришлось перепроверять

Искусственный интеллект, который должен был освободить планетологов от рутинного подсчета тысяч лунных кратеров, оказался склонен к серьезным ошибкам. Новое исследование показало, что существующие алгоритмы машинного зрения часто выдают желаемое за действительное, создавая каталоги с погрешностями в определении координат, размеров и физических свойств объектов. В научных условиях, когда даже небольшое смещение или дублирование данных искажает расчеты возраста поверхности и геологической истории, такая неточность становится критической преградой для использования нейросетей в серьезных космических миссиях.

Фото: Designed by Freepik by freepik, https://creativecommons.org/public-domain/pdm/

Спутник Земли Луна

Почему ИИ не заменяет человека в космосе

Автоматизированные системы обнаружения объектов на снимках планет казались спасением для науки. Ручная идентификация кратеров требует колоссальных временных затрат, и ИИ обещал анализировать поверхности в масштабах, недоступных человеческому глазу. Однако анализ баз данных показал: высокие показатели эффективности ИИ в публикациях часто не соответствуют жестким научным стандартам, принятым в каталогах, созданных людьми.

"Алгоритм может отлично распознавать круглую форму на поверхности, но совершенно не попадать в реальный размер или положение объекта. Для планетологии это равносильно провалу, так как неверный диаметр кратера ведет к ошибкам в оценке возраста всей планетарной среды", — объяснил в беседе с Pravda.Ru учёный-физик Дмитрий Лапшин.

Проблема в том, что планетологи используют кратеры как маркеры времени. Например, фрагменты Луны или метеориты, падающие на поверхность, оставляют следы, по количеству и размеру которых вычисляются геологические эпохи. Если ИИ продублирует несколько кратеров или неправильно укажет их параметры, модель может ошибочно удвоить прогнозируемый возраст участка коры.

Исследование, бросающее вызов стандартам

В работе "Сравнение баз данных лунных скоплений с использованием единообразных критериев" эксперты изучили восемь глобальных ИИ-каталогов. Результаты сравнили с эталонным ручным каталогом, который подготовил доктор Стюарт Дж. Роббинс из SwRI. Выяснилось, что при применении строгих правил сопоставления точность нейросетей падает в десятки раз.

"ИИ обладает огромным потенциалом для помощи в трудоемких задачах, особенно в сборе данных. Но наш анализ показывает, что исследователи не должны предполагать готовность каталога ИИ к научному использованию только на основе опубликованных рекламных показателей", — подчеркнул в своем докладе Стюарт Дж. Роббинс, чьи слова цитирует пресс-служба SwRI.

"Машинное обучение требует верификации на каждом этапе. Если мы позволим ИИ бесконтрольно наполнять базы данных, мы рискуем получить ложную картину формирования тел Солнечной системы, что отбросит науку назад", — отметил в беседе с Pravda.Ru астрофизик Алексей Руднев.

Оказалось, что современные системы компьютерного зрения часто фокусируются на визуальном сходстве, игнорируя точные метрические характеристики. Подобные погрешности в геологии были бы так же критичны, как если бы древняя вода миллиарды лет назад оставила следы, которые робот принял бы за современные эрозии.

Зависимость от диаметра: где ошибаются машины

Самым уязвимым местом алгоритмов стали размеры объектов. Инструмент может безупречно находить гигантские ударные бассейны, но пасовать перед мелкими кратерами. А ведь именно небольшие структуры дают информацию о недавней активности и "свежих" изменениях ландшафта. Без их точного учета невозможно понять текущую динамику столкновений в космосе.

В ряде случаев при переходе на строгие критерии оценки производительность нейросетевых баз падала более чем в 10 раз. Это значит, что 90% данных из "автоматических" каталогов могут требовать ручной перепроверки, прежде чем на их основе будут написаны научные отчеты о защите Земли, где иногда предлагают использовать радикальные планы спасения.

"Когда мы смотрим на Луну в телескоп, нам кажется, что все кратеры одинаковы. Но для науки важна повторяемость результата: два разных ИИ должны дать один и тот же ответ по одной и той же воронке. Пока этого не происходит", — подчеркнул в беседе с Pravda.Ru астроном Павел Громов.

Ответы на популярные вопросы о лунной картографии

Зачем вообще считать кратеры на Луне?

Количество и плотность кратеров позволяют определить возраст поверхности. Чем больше воронок на определенном участке, тем дольше он подвергался бомбардировке и тем он старше. Это основной метод датировки в планетологии.

Почему компьютер ошибается чаще человека?

Алгоритмы обучаются на изображениях с определенным освещением. При изменении угла падения солнечных лучей или появлении теней ИИ может принять за кратер особенность рельефа или пропустить реальную структуру, которую глаз человека легко распознает в контексте.

Может ли один неверный кратер изменить историю науки?

Один — нет, но системная ошибка в тысячи объектов искажает модели формирования планет. Ошибки в размерах ведут к неверному расчету массы и скорости упавших тел, что критично для понимания эволюции Солнечной системы.

Откажутся ли ученые от использования ИИ?

Нет, объемы данных слишком велики. Но исследователи теперь требуют внедрения прозрачных стандартов проверки и независимых тестов для каждой нейросети, прежде чем её данные попадут в официальные атласы.

Читайте также

• Корона Солнца ломает законы физики: почему атмосфера звезды горячее поверхности
• Стеклянные флаконы сгубили миллионы душ: британские мореплаватели нанесли удар в сердце Австралии
• Мёртвому оставили всё самое дорогое: гробница скрывала предмет, который находят крайне редко
• Красное брюхо корабля оказалось не украшением: этот цвет веками спасал целые флоты от невидимого врага