土星最大的衛星泰坦 (Titan) 上的甲烷雲不僅僅是一種天文奇觀，它們還讓我們得以窺探這個太陽系中最複雜的氣候之一。
到目前為止，繪製這些雲的過程一直非常緩慢且艱辛。但現在，NASA、加州大學伯克利分校 (UC Berkeley) 和法國宇宙科學觀測站 (Observatoire des Sciences de l’Univers) 的一組團隊改變了這一切。
他們使用NVIDIA的圖形處理單元 (GPUs)，訓練了一個深度學習模型，能在幾秒鐘內分析數年的卡西尼 (Cassini) 數據。這種方法可能會改變行星科學的面貌，將原本需要幾天的工作縮短到幾分鐘。
喬治亞理工學院 (Georgia Tech) 的博士生兼研究的主要作者扎克·雅恩 (Zach Yahn) 說：「我們能夠利用人工智慧 (AI) 大幅加快科學家的工作，提高生產力，並使得一些原本不切實際的問題得以解答。」
閱讀完整論文《使用實例分割快速自動繪製泰坦的雲》。
運作原理
這個項目的核心是Mask R-CNN——一種不僅能檢測物體的深度學習模型。它能逐像素地勾勒出物體的輪廓。這個模型在泰坦的手動標記圖像上進行訓練，成功繪製出這顆衛星難以捉摸的雲：斑駁、條紋狀，並且在霧霾的氛圍中幾乎不可見。
團隊使用了轉移學習，從一個在COCO（包含日常圖像的數據集）上訓練的模型開始，然後對其進行微調，以應對泰坦的獨特挑戰。這樣做節省了時間，並展示了「行星科學家即使不總是能夠獲得訓練大型模型所需的龐大計算資源，仍然可以利用像轉移學習這樣的技術，將AI應用於他們的數據和項目中。」雅恩解釋道。
這個模型的潛力遠不止於泰坦。「許多其他太陽系的世界也有對行星科學研究者感興趣的雲層形成，包括火星 (Mars) 和金星 (Venus)。類似的技術也可能應用於木衛二 (Europa) 的火山流、恩克拉多斯 (Enceladus) 的噴流、以及固體行星和衛星上的隕石坑。」他補充道。
快速科學，NVIDIA助力
NVIDIA的圖形處理單元 (GPUs) 使得這種速度成為可能，能夠處理高解析度的圖像並生成雲掩膜，延遲時間極小——這是傳統硬體難以應對的工作。
NVIDIA的圖形處理單元 (GPUs) 已經成為太空科學家的主流工具。它們幫助分析了詹姆斯·韋伯太空望遠鏡 (Webb Telescope) 的數據，模擬火星著陸，並搜尋外星信號。現在，它們正在幫助研究人員解碼泰坦。
接下來的步驟
這次AI的飛躍只是個開始。像NASA的歐羅巴探測器 (Europa Clipper) 和蜻蜓 (Dragonfly) 這樣的任務將為研究人員提供大量數據。AI可以幫助處理這些數據，在任務中進行即時處理，甚至實時優先排序發現。挑戰仍然存在，例如創建適合太空惡劣條件的硬體，但潛力是不可否認的。
泰坦上的甲烷雲隱藏著許多謎團。研究人員現在正利用NVIDIA的圖形處理單元 (GPUs) 加速的新AI工具，比以往更快地解開這些謎團。
閱讀完整論文《使用實例分割快速自動繪製泰坦的雲》。
圖片來源：NASA噴氣推進實驗室
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
