Coelum Astronomia 251 - 2021 - Page 70

punteggio e quindi un valore determinato che permette di stabilire una classifica delle riprese per interesse, sulla base degli elementi e caratteristiche superficiali individuati. Ce lo spiega meglio Wagstaff: «Per classificare con successo le immagini, la rete deve essere in grado di assegnare punteggi elevati a caratteristiche rilevanti (come grandi macchie scure che sono impatti) e punteggi bassi a caratteristiche irrilevanti (come regioni luminose e polverose)».

Gli algoritmi di machine learning hanno un processo di apprendimento costruito sui database che sostanzialmente contengono tutto il loro sapere: in questo caso, per sfruttare al massimo questa tecnica, è stato necessario eseguire una fase di training (così si chiama il passaggio preparatorio dell’AI) fornendo all’algoritmo una lunga serie di immagini della superficie e in particolare oltre 6.800 immagini di crateri realizzate con la Context Camera, per “insegnargli” come distinguere i nuovi impatti. Nel set d’immagini erano presenti crateri già individuati e immagini senza alcuna particolare formazione superficiale: questo ha permesso all’algoritmo di “capire” cosa cercare. Ci spiega infatti la scienziata: «L'algoritmo è addestrato su molti esempi di immagini di nuovi impatti, oltre ad immagini che non contengono impatti recenti».

Ci vogliono, a questo proposito, moltissime interazioni affinché lo strumento riesca a categorizzare al meglio le due tipologie di cratere e quindi produrre risultati concreti e affidabili per gli scienziati. Anche l’algoritmo comunque ha i

Un piccolo cratere e la zona circostante all'impatto su Marte, ripreso dalla camera HiRISE del Mars Reconnaissance Orbiter (MRO) il 27 novembre 2016. Crediti: NASA/JPL/University of Arizona.

70

COELUM ASTRONOMIA