Si alguna vez llega el levantamiento de los robots, las máquinas podrían citar una nueva entrada en su lista de quejas. Un equipo internacional de investigadores ha desarrollado un algoritmo de aprendizaje automático para realizar una tarea que ningún científico planetario haría, ni podría hacer.
Después de dividir la superficie lunar en miles de millones de píxeles y aprender minuciosamente cómo se relacionan los puntos grises, el nuevo algoritmo acumuló lo que los investigadores dicen que es la base de datos más extensa de cráteres lunares hasta el momento, enumerando más de 100.000 hoyuelos lunares. El software estoico incluso logró determinar las edades de casi 20,000 de esas marcas de viruela, que son un registro impecable de miles de millones de años de historia de este rincón del sistema solar.
“Lo que vemos en la luna es similar a lo que teníamos en nuestro planeta, pero tenemos erosión”, y viento y clima en la Tierra, dice Lorenzo Bruzzone, profesor de telecomunicaciones en la Universidad de Trento, Italia, que trabajó en el proyecto. “En la luna, todo es como antes”.
El montaje de catálogos de cráteres anteriores ha sido en gran parte un asunto manual. Eso significa que los científicos planetarios recorrieron el monótono paisaje en escala de grises cuadro por cuadro, contando cráteres y calculando sus edades en función de sus formas, qué capas subterráneas habían estado expuestas y (en casos afortunados) fechas de rocas traídas por los astronautas del Apolo. Bruzzone y sus colegas comenzaron con un subconjunto de la base de datos estándar de oro: una lista de alrededor de 9,000 cráteres (con alrededor de 1,700 fechados) compilada por la Unión Astronómica Internacional (IAU) durante el último siglo.
Luego le enseñaron a una máquina a hacer el trabajo. Pero el aprendizaje automático es algo así como un arte oscuro, y ni siquiera los científicos informáticos comprenden completamente qué tipo de algoritmo se adapta mejor a una tarea en particular (como el conteo de cráteres). En resumen, encontrar este atajo no fue fácil.
El equipo se decidió por un tipo de programa llamado red neuronal convolucional, una técnica que utiliza prueba y error para estudiar imágenes etiquetadas (“estos son cráteres”) y aprender automáticamente las características más reconocibles de un objeto, que luego puede usar para etiquetar imágenes ( “Cráter” o “no un cráter”). Pero hay muchas formas de configurar una red neuronal convolucional, y el grupo probó muchas configuraciones diferentes, cada una de las cuales tardó días en procesarse en una supercomputadora.
Una vez que aterrizaron en una estructura de red neuronal que podía aprender qué era un cráter y detectar otros cráteres conocidos en la lista de la IAU, lo pusieron a trabajar estudiando las instantáneas más nítidas disponibles de la superficie lunar: datos de Chang’E-1 (CE -1) y orbitadores Chang’E-2 (CE-2). Las imágenes CE-1 resolvieron características tan pequeñas como 150 metros de ancho, mientras que las fotos CE-2 bajaron a 7 metros, por lo que el grupo en realidad estableció dos redes neuronales relacionadas. Uno identificó cráteres más grandes en las imágenes de CE-1, y luego pudo “enseñar” a la segunda red a encontrar cráteres más pequeños en las imágenes de CE-2. Para ello, utilizó una técnica conocida como aprendizaje por transferencia, que Bruzzone compara con un mentor que entrena a un sucesor.
“Tengo experiencia y le enseño a alguien”, dice. Y “tal vez mejoren los resultados porque tienen información más actualizada”.
Al final, las dos redes peinaron imágenes que cubrían casi toda la superficie de la luna, identificando alrededor de 117.000 cráteres que iban desde hoyuelos de un kilómetro hasta calderas de 500 kilómetros. La nueva base de datos contiene aproximadamente 15 veces más cráteres que otras bases de datos, dicen los autores. Publicaron su trabajo el lunes en Comunicaciones de la naturaleza.
Los programas se sintieron lo suficientemente seguros como para asignar edades a casi 20.000 de esas características, lo que no es poca cosa cuando se trata de cráteres superpuestos. Para asegurarse de que las redes no estuvieran bizcas y formaran cráteres y números, el grupo comparó sus cráteres con diferentes bases de datos existentes, e incluso organizó varios equipos de científicos planetarios para fechar algunos miles de los cráteres recientemente identificados en el antiguo -Modo de moda (que tomó meses). En varias medidas, los resultados de las máquinas variaron entre un 85 y un 95 por ciento de precisión.
Eso no es perfecto, pero tampoco los humanos, señala Bruzzone, y mucho menos los esfuerzos combinados de cientos de humanos, todos con sus propias imperfecciones. Él espera que en la amplia base de datos lunar compilada de manera uniforme y documentada, los científicos planetarios puedan leer la historia de la luna con un detalle sin precedentes.
“Si basa sus análisis en un número limitado de cráteres, no tiene el panorama general”, dice. “El siguiente paso es comenzar a analizar, a comprender, cuál es el significado de todos los nuevos cráteres que se han identificado”.
Él ve el big data (como este proyecto, mientras los algoritmos filtraron 200 gigabytes de imágenes) como una herramienta poderosa y emergente para la ciencia planetaria. Ahora que el grupo ha descubierto cómo configurar el tipo correcto de red neuronal, espera hacer algo similar para otros mundos de los que los investigadores tienen imágenes claras, como Ceres o Marte. Incluso pueden usar las redes lunares para entrenar a otros, especula Bruzzone. “Sin duda, necesitaremos alguna adaptación”, dice, “pero probablemente no tengamos que empezar de cero”.
Con suerte, las máquinas continúan cooperando pacientemente.