踩过的坑都是成长：人工智能眼中的月球坑

月球坑到底有多少个？自人类探索月球数十年，也只辨识了110多万个。最近，科学家用深度学习教会计算机帮助我们识别出近11万个月球坑。

采访专家：杨晨（吉林大学地球科学学院副教授）

月球作为地球唯一的卫星，距离地球并不算很远，因此也是人类首个探索的星球。提到月球，最明显的特征就是月球表面坑坑洼洼的无数的陨石坑，这是因为月球缺乏大气层的保护，所有的天外来客——小行星、陨石、彗星等无论大小都会不打折扣地高速撞向月球表面。

但是人类探索月球数十年，也只辨识了110多万个月球陨石坑。对于人类来说，想要计算月球上所有的陨石坑，依靠人力几乎是不可能的事情。于是科学家将希望寄托到计算机上，利用特殊的算法进行自动计算。

▲由于月球缺乏大气层的保护，所有的天外来客——小行星、陨石、彗星都会不打折扣地高速撞向月球表面，撞击行程许多月球撞击坑（图片来源/视觉中国）

近日，由吉林大学、中国科学院国家天文台、意大利特伦托大学和冰岛大学课题组组成的团队，基于迁移学习方法构建了深度神经网络模型，成功从嫦娥一号和嫦娥二号数据中识别出之前未识别的近11万个撞击坑，并有超过18000个撞击坑被标定了地质年代。该项成果已发表在国际学术期刊《自然·通讯》上。

月表到底有多少个坑？研究这些“麻点”到底有哪些意义？此次研究用到的全新工具——“深度神经网络”是如何为探月服务的？

▼ ▼ ▼更多未知撞击坑有待发现

俗话说，踩过的坑都是成长。对于月球也是一样，月球撞击坑又被称为“月球化石”。科研人员通过对月球撞击坑的研究，不仅能获知天体表面的相对地质年龄和地表特性，还能通过绘制天体表面图，为今后太空探索中航天器导航的定位和障碍物躲避等提供数据分析。因此，月球撞击坑的提取和识别在太空探索领域中有着重要的意义。

▲2020年4月23日，美国发布首份月球综合地质图，图片显示月球上遍布着各种岩石、陨石坑（图片来源NASA）

自人类开展月球探测六十年来，积累了各种月球数据，包括数字影像、数字高程数据和月球样品。近年来，由专家人工或自动识别的月球撞击坑数据库相继建立。“月球撞击坑的数量远比现在识别的要多。”吉林大学地球科学学院副教授杨晨说，随着月球数据精度的提高和先进模型的发展，会发现更多的未知撞击坑。

目前，在撞击坑识别方面，有专家人工识别和自动识别两种，各有局限性。依靠专家人工识别，会耗时耗力；而现有自动识别会出现错检和漏检。

“由于识别方式与数据类型的差异性，使得现有数据库在撞击坑计数、位置和大小等方面存在一定分歧。”杨晨说。尤其在撞击坑年代标定方面，撞击坑相对年龄主要依据地层覆盖关系、撞击坑形态退化情况和新鲜程度，以及适用于大型射线坑的光学成熟度等来测定。而撞击坑的绝对年龄则需由返回样本的放射测龄和撞击坑累积尺寸频率分布分析决定。

杨晨说，常规工具很难用单一类型数据对撞击坑进行识别和年龄鉴别。而杨晨团队提出的新方法优势在于，可以利用少量的已知数据即可训练得到一个比较好的能够胜任撞击坑识别的人工智能模型。

▼ ▼ ▼数据不会说话，智能不等于智慧

人能制造出比自己更聪明的东西？是的，那就是人工智能。2016年，AlphaGo战胜了围棋世界冠军李世石，就已经宣告了人工智能在某些方面比人类更聪明。

▲2016年3月9日至15日在韩国首尔进行的韩国围棋九段棋手李世石与人工智能围棋程序阿尔法围棋AlphaGo之间的五番棋比赛。最终结果是人工智能阿尔法围棋以总比分4比1战胜人类代表李世石（图片来源网络）

AlphaGo之所以聪明，是因为它使用了蒙地卡洛树搜索与两个深度神经网络相结合的方法。所谓的“深度”，就是层次深的意思。深度神经网络与生物的大脑一样，是分层的。比如：AlphaGo在下棋的时候，会把棋局转化为数据，输入到第一层神经网络，处理之后，然后输出一个数据 ********* ，输入到第二层神经网络，以此类推，它的策略网络总共有13层，最后计算出下一个落子点的概率分布。

“通俗来讲，深度神经网络就是比传统神经网络层数更多更深的神经网络。”杨晨说，当下，随着数据爆炸式的增长和计算能力的飞速提升，以及能够稳定训练大型神经网络的技巧的出现，使得深度神经网络模型在各个领域均取得惊人的应用效果，从而变得异常火爆。今后，这一技术会更加广泛地融合到各个学科，也会更加深入地渗透到我们生活的各个方面。

比如医学影像中的病症特征判断，行星数据中类地行星特征的判断，还有面部识别特征判断等等。“然而，目前深度神经网络发展受限的主要因素为该类模型为一个黑盒模型，解释性较差，无法很好地让人们理解其取得好的性能的逻辑。”杨晨说。

▲深度学习已经在医学影像中的帮助医生判断病症（图片来源网络）

简单理解就是，科学家尽管利用了复杂网络的思路来模拟人脑的神经网络。但是，科学家并不知道这个神经网络到底是怎么“思考”的。因为人工智能思考问题的方式，是通过反复的训练来调整参数，优化参数。而这个过程中充满了大量的随机性。

比如：科学家给AlphaGo输入了几百万份围棋大师的棋谱，让它在人工的辅助下进行有监督的学习。这些棋谱都用完之后，科学家又让AlphaGo自己和自己对弈，生成很多我们人类也没有见过的棋局，让它左右互搏，继续训练。越训练，AlphaGo就越厉害。这就是复杂神经网络自我演化的威力。它可以自我学习、自我优化、自我迭代，从而变得更加强大。

杨晨认为，虽然目前深度神经网络在多个领域均取得了很好的效果，但是该类模型还无法达到一种“强人工智能”的阶段，即一个模型目前还无法解决多个领域的问题。他们希望这次为识别月球撞击坑建立的模型，除了在探月任务上，还能在太阳系其他行星探测方面发挥重要作用。

深度学习的问世，意味着我们将从专家的年代转变为实干和数据的年代。但杨晨觉得，数据本身不会说话。我们要借鉴和利用专家的经验和智慧，通过深度学习挖掘知识，为我们所用。例如本研究工作中，就运用了少量的标记样本，这些类别标记就是专家知识。她觉得，人工智能要实现落地，需要“数据+模型+领域专家知识”。

▼ ▼ ▼深度学习，给计算机一双识坑“慧眼”

为了提高天体撞击坑的识别效率，国内外许多研究人员尝试使用计算机来识别撞击坑，并且设计了各种各样的撞击坑自动识别算法。杨晨团队就尝试了一种新的方法，即基于迁移学习方法构建的深度神经网络模型。

“迁移学习是一种新颖的机器学习方法，能用之前获得的知识解决下一个问题。”杨晨解释说。研究人员用7895个已知具有名字和1411个已知年龄的撞击坑数据构建了一个深度神经网络模型。通过该模型，他们从嫦娥一号与嫦娥二号数据中渐进地检测撞击坑，并进一步估计出其地质年龄。

“大热”的深度神经网络为何会用于探月研究？对此，杨晨表示，他们团队成员来自地球科学、天文学、计算机科学等领域，具有较强的交叉学科研究背景。简单来说，他们这次构建的深度神经网络模型过程是：先基于预训练卷积网络提取月球影像特征，其次训练基于嫦娥一号的月球撞击坑数据后，用于识别目标撞击坑。这次识别出了嫦娥一号直径为50km–600km和直径为20km–120km撞击坑。随后，将训练好的模型迁移到嫦娥二号影像上识别更为精细的1km–50 km撞击坑。

“目前，鉴于小型撞击坑数量巨大而且难识别的问题，接下来会将该模型扩展到小撞击坑识别方面，让这一模型变得更强大。”杨晨说。

目前，这些识别和标定的撞击坑贯穿于月球中纬度和低纬度地区，就识别的准确度来看，这次新撞击坑与人工识别撞击坑数据库一致性高达85.30%。这些科研成果已扩展并应用于嫦娥五号着陆区小型撞击坑识别。

▲月球表面撞击坑分布图。a. 已知具有名字的撞击坑（来自The International Astronomical Union, IAU）与具有年代的撞击坑（来自Lunar and Planetary Institute, LPI）分布。红色、棕色、黄色、绿色和蓝色分别表示前酒海纪、酒海纪、雨海纪、爱拉托逊纪和哥白尼纪撞击坑。灰色为具有名字的撞击坑但无确定年龄。b. 新识别撞击坑（直径在550km-8km之间）年代标定分布图。从时间尺度和空间分布上，不同年代撞击坑呈现出各自的特点。（供图/杨晨）

美国西南研究院空间研究部的资深科学家Clark R. Chapman博士是该项成果的实名审稿人。他认为，“发展迅速和高效的机器学习方法将成为未来撞击坑识别的主要技术手段。这一研究通过与其他数据库进行比较，包括对撞击坑地质年代的比较，可以推动撞击坑识别与估计方法的进一步改进，对月球和行星科学研究作出了有益贡献。”（科普中央厨房 | 北京科技报）