作者 | Briley Lewis

翻译 & 整理 | 杨阳

老实说，机器人探索太空比人类要容易得多。它们不需要新鲜空气和水，也不需要在太空中拖着一堆食物来维持生命。不过，在以往，它们需要人类来引导并做出决定。然而，机器学习技术的进步可能会改变这一点，让它们成为行星科学中更积极的合作者。

检测月球巨石和识别行星现象

在2022年底召开的美国地球物理学会（AGU）的秋季会议上，行星学家和天文学家共同讨论了机器学习如何改变我们了解太阳系的方式，包括登陆木星寒冷的卫星——木卫二欧罗巴，以及识别小水星上的火山。

在对行星的探索中，往往需要大量的数据处理，这些会花费掉人类数月、数年，甚至是数十年的努力才能筛选出的数据，却是AI算法的最大的优势所在。

其中，包括识别行星图中的巨石。虽然这并非是一项人类难以企及的工作，但却非常无聊，会占用科学家们本应该用在科研上的宝贵时间。对此，斯坦福大学的行星科学家Nils Prieur表示说：“你能够找到多达一万，甚至数十万块巨石，但这非常耗时。”为了解决这个问题，Prieur在使用机器学习算法后可以在30分钟内检测到整个月球上的巨石。

与此同时，机器学习算法提供的重要作用还包括判断方位，探知这些大块岩石在哪里，从而确保新的登陆任务可以安全降落在目的地。此外，巨石对地质分析很有帮助，为在撞击作用下如何分解周围的岩石以形成陨石坑提供了线索。

计算机也可以识别许多其他行星现象：包括水星上的火山爆炸，木星肥厚大气层中的漩涡和月球上的陨石坑，等等。

通过机器学习绘制冰块

来自马里兰州的美国宇航局戈达德太空飞行中心的行星学家Ethan Duncan展示了机器学习如何识别欧罗巴上的冰块。一直以来，木卫二欧罗巴都是天文学家和行星学家们探索外星生命的主要目标。

欧罗巴看上去是一个冰冻的星球，早在四百年前，伽利略便通过刚刚制作出的首个天文望远镜“盯”上了这个大冰球。有冰就可能有水，据一些研究表明，欧罗巴的地下“海洋”含水量可能是地球储水量的两倍。

在欧罗巴的表面也有一些颇为混沌的地形，有些冰块散落在一些较暗的地形中，如何通过机器学习绘制出这些冰块成为机器学习的关键任务。

从伽利略探测器上看到的欧罗巴上的一个 "混沌 "区域（图片来源：NASA/JPL-Caltech）

帮助探测器实现自主着陆

实现探测器的自主着陆，也是人工智能能够为探索外太空带来的重要贡献之一。要知道，着陆对于探测器来说是非常大的挑战，一直以来都是最危险的任务。

对此，同样来自美国宇航局戈达德太空飞行中心的行星科学家Bethany Theiling表示说：“火星上的'恐怖七分钟'是我们经常谈论的事情，但当我们进一步进入太阳系时，情况可能会更加复杂。探测器的信息沟通可能延迟数个小时。”

在火星上降落航天器必须在七分钟之内完成，期间经历进入、下降、减速、着陆等多个步骤。在降落过程中，探测器的运行速度远大于无线电信号从火星传到地球的速度，这意味当探测器进入到火星大气后需要自行判断周遭环境，安全降落到火星的表面。

土卫六泰坦则是土星卫星中最大的一个，因为和早期的地球相似度极高，还被称作“地球时光机”，让科学家寄予了生命探索的厚望。而探测器想要降落到充满甲烷的泰坦星上，来回的通信时长长达近三个小时，这就让能否安全着陆变得更加扑朔迷离和焦灼。

无论是火星还是土卫六，Theiling认为机器学习和人工智能都可以帮助解决降落中存在的风险，为探测器提供基于周围环境的观察而做出决策的能力。

“我们并非要脱离科学家和工程师。”Theiling表示说，“我们想做的是，花在数据处理上的时间将是我们可以管理的最有用的时间。机器学习不会取代人类，但希望它可以成为我们科学发现的强大补充。”

参考链接：https://www.space.com/solar-system-planetary-science-machine-learning