يقف العالم على أعتاب ثورة تقنية ضخمة في مجال الاستكشافات القمرية، فلطالما سعى العلماء والباحثون إلى اكتشاف هذا الجسم المعتم؛ للاستفادة من الموارد والثروات التي يحويها، وهو ما عزز إمكانية صرف مبالغ طائلة على الأبحاث والدراسات بهدف استغلال موارده في دفع عجلة الاقتصاد العالمي.
يحتوي القمر على عدد كبير من الحُفَر والأخاديد، ولكن الوصول إليها يعد أمراً بالغ الصعوبة، وهو ما دفع الباحثين في جامعة الملك عبد الله للعلوم والتقنية (كاوست) إلى تطوير طريقة تستند إلى تقنيات التعلم الآلي والذكاء الصناعي تعمل على تحديد مواقع الحُفَر والأخاديد في الوقت نفسه، ما يسهل عمليات الاستكشاف التي تتم على القمر.
ويمكن لطريقة «المسح الضوئي» للقمر أن تُحسّن بشكل كبير من كفاءة اختيار المواقع المراد استكشافها. كما يمكنها تصنيف الخصائص القمرية المهمة أوتوماتيكياً من الصور التي التقطت عبر التلسكوب.
وهذا يرجع إلى أن ثمة أموراً أكثر تعقيداً لا تتبدى أمام أعيننا، على وجه التحديد ما يتعلق باختيار موقع هبوط أو استكشاف على سطح القمر.
ويشار إلى أن مساحة سطح القمر المرئية أكبر من مساحة روسيا، وهي مثقبة حيث توجد بها آلاف الحفر، وتتقاطع مع الأخاديد القمرية الشبيهة بالوادي. كما أن اختيار مواقع الهبوط والاستكشاف المستقبلية يعتمد على أكثر المواقع المستقبلية الواعدة للبناء أو المعادن أو موارد الطاقة المحتملة. ومع ذلك، فإن مسح هذه المنطقة الكبيرة بالعين، بغية البحث عن معالم ربما يبلغ عرضها بضع مئات من الأمتار، يعد أمراً شاقاً وغير دقيق في كثير من الأحيان، ما يجعل من الصعب اختيار أفضل المناطق الصالحة للاستكشاف.
ولحل هذه المعضلة؛ قام كل من طالب درجة الدكتوراه سيوان تشن والبروفسور أكسين غاو، أستاذ علوم الحاسب الآلي، والبروفسور شويو صون، أستاذ هندسة وعلوم الأرض بـ«كاوست»، جنباً إلى جنب مع زملائهم من الجامعة الصينية بهونغ كونغ، بتطبيق التعلم الآلي والذكاء الصناعي لأتمتة عملية تحديد المناطق المرتقبة للهبوط والاستكشاف على سطح القمر.
يقول تشن: «نحن بصدد البحث عن بعض خصائص القمر مثل الحُفر والأخاديد، التي يُعتقد أنها نقاط ساخنة لبعض موارد الطاقة مثل اليورانيوم والهليوم3، وهو مورد واعد للاندماج النووي».
ويضيف: «تم اكتشاف كليهما في الحُفَر القمرية، ويمكن أن يكونا موردين مفيدَين لتجديد وقود المركبات الفضائية».
ويعد التعلم الآلي تقنية عالية الفاعلية لتدريب نموذج الذكاء الصناعي للبحث عن ميزات معينة بمفرده.
تمثلت المشكلة الأولى التي واجهها تشن وزملاؤه في عدم وجود مجموعة بيانات مصنّفة للأخاديد التي يمكن استخدامها لتدريب نموذجهم. وهنا، يقول تشن موضحاً: «لقد تغلبنا على هذا التحدي من خلال بناء مجموعة بيانات التدريب الخاصة بنا مع تعليقات توضيحية لكل من الحُفر والأخاديد».
وعن الكيفية التي مكّنتهم من التغلب على هذا التحدي يقول تشن: «للقيام بذلك؛ استخدمنا نهجاً يسمى (نقل التعلم/ عملية نقل معلمات النموذج التي تم تعليمها وتدريبها إلى نموذج جديد للمساعدة في تدريب النموذج الجديد) لإجراء تدريب مسبق لنموذج الأخدود الخاص بنا على مجموعة البيانات المتعلقة بتصدع السطح، بالإضافة إلى بعض الضبط الدقيق باستخدام أقنعة الأخاديد الفعلية. وتوصلنا إلى أن الطرق السابقة تتطلب شرحاً توضيحياً يدوياً على الأقل لجزء من صور الإدخال. بخلاف نهجنا الذي لا يتطلب أي تدخل بشري، وبالتالي سمح لنا بإنشاء مجموعة بيانات كبيرة وعالية الجودة».
أما التحدي التالي فقد تمثّل في الحاجة إلى تطوير نهج حسابي يمكن استخدامه لتحديد الحُفر والأخاديد في الوقت نفسه، وهو أمر لم يتم التطرق إليه من قبل. وهو ما يشير إليه تشن: «هذه مشكلة بكسل (عنصر صورة) إلى بكسل، ولحلها نحتاج إلى حجب الحُفر والأخاديد بدقة في صورة القمر». ويضيف: «لقد تمكنا من حل هذه المشكلة عن طريق إنشاء إطار عمل تعليمي عميق يسمى (شبكة القمر عالية الدقة)، التي تحتوي على شبكتين مستقلتين تشتركتان في بنية الشبكة نفسها لتحديد الحُفر والأخاديد في آنٍ واحِد».
وقد حقق النهج الذي اتبعه الفريق دقة تصل إلى 83.7 في المائة، أعلى من أحدث التقنيات التي تم التوصل إليها لاكتشاف الحُفر.
إنترنت