想在火星上种植土豆？机器学习帮你分析表层化学成分

马萨诸塞大学阿姆赫斯特分校和霍利奥克山学院的研究人员，正组队将机器学习领域的近期进展，特别是受生物学启发的深度学习方法，用于分析大量火星科学数据。

　　美国国家科学基金会（NSF）最近拨出了一笔分四年发放的 120 万美金赞助资金给马萨诸塞大学阿姆赫斯特分校信息与计算机科学院的主要研究者 Sridhar Mahadevan。与他一起的还有来自阿姆赫斯特的超光谱图像分析专家 Mario Parente，以及来自曼荷莲学院（Mount Holyoke College）的行星化学科学与地质学的科学家 Darby Dyar，他同时也活跃于火星探险的科研任务团队。

　　Mahadevan 解释说，NASA 的「好奇号」火星探测器已经从2012年8月开始在火星上探索一个深坑，并稳定地持续传送回拍摄图像与关于岩石和尘土的化学成分数据以供研究。这些数据包括从岩石样品的一维光谱到火星表面的三维超光谱图像。

　　他指导的博士学生，来自阿默斯特分校自动学习实验室的 Thomas Boucher, CJ Carey, Steve Giguere, Ian Gemp, Francisco Garcia 和 Ishan Durugkar，他们正在研究机器学习算法，以此展示（第一次）在解决大型科学数据组问题方面，深度学习方法是切实可行而又有用的新工具。

　　科学家们从激光诱导击穿光谱（LIBS）过程所产生的数据中筛选出关于火星岩石和尘土的信息。在曼荷莲学院， Dyar 指导了一个实验室，他们使用探测器上相同的激光加光谱仪工具——激光照射火星岩石，并传送回岩石表面因加入到高温所发射出的光频信息，这些信息可以被用于识别岩石的化学成分。

　　火星图像分析任务的指挥者是自阿姆赫斯特电子与计算机工程系的 Mario Parente ，他使用的工具是可以传送行星表面大面积图像的超光谱相机。不像传统相机，这个超光谱工具能将光谱划分出更多波段，远超人类可视的波段数量。例如，研究者可以通过一副亚马逊热带雨林的超光谱地图，分解出多个不同频率的图像，并分析出该地图上的上百种树木的类型。在整个红外波长范围内，「好奇号」上搭载的超光谱相机，既可以在可见光波段内进行观察，也可以在更短波长波段内进行观察。这一功能可以帮助科学家识别出火星表面上更多的矿石类型。

　　Mahadevan 指出，深度学习方法已经在语音和视觉识别软件上证明了其令人惊讶的效果。现在问题是，这些方法是否可以被应用于分析天文学中那些由无线电望远镜和光学望远镜记录的、以及医学和许多其他领域的光谱仪和显微镜生产的大量科研数据。

　　「 有了资金的帮助，我们将要探索深度学习能够如何帮助上述的分析工作。我们知道，现在在识别不同的物体的能力上，深度学习几乎已经达到了人类水平。我们的研究将会证明，它的能力不仅仅只能识别地球上的物体，它还可以从火星岩石图谱中分析它的行星地球化学（planetary geochemistry）。我们希望它能擅长于做这些新的事情，四年内，我们就可以证明深度学习比其他传统辨析方法都要成功。」

　　Mahadevan 解释说，深度学习在某种程度上是被用来应对大数据的挑战的。「 深度学习的其中一个特征就是你给它越多的数据，它便越开心。」他说道，「 它会通过识别并记住模式来以我们的方式学习。你给它上百万次的经验，然后它就记住了。这就像垃圾邮件过滤，你向它展示数千封垃圾邮件以及正常的邮件后，它就会知道如何将正常邮件和垃圾邮件区分开来。」

　　这位人工智能专家还指出，机器学习不仅比人类能够更快的解决某些问题，它还可以发觉人们无法看见的某些细节。通过训练，深度学习软件可以识别出化学样本，甚至比人工识别还要精准。

　　Mahadevan补充道，「 在计算机运行速度还很慢且储存容量很昂贵的时候，这种方法的成本几乎让人难以承受。但是现在计算机比以前要快上千上万倍，并且容量要便宜得多，也因此，针对海量数据的处理就变得可行了。」但是他警告说，「当然了，它并不完美。它也会犯错误。这个科研项目只解决了我们需要知道的其中一件事。没有人真正证明过深度学习技术可以给我们带来我们期待的科研数据。但总得有人做出尝试。」

　　「我已经为这个时刻等待三十多年了，现在是时候了。」他说道，「 我们曾经认为人工智能是一个遥不可及的梦想，但是这个梦想正在变为现实。我认为机器学习和认知计算就是大数据科学的未来。」

 

 

返回网站首页>>