JPL

C’est la première fois qu'un outil de machine learning est utilisé pour identifier des cratères inconnus sur la planète rouge.

Mars abrite de nombreux cratères issus de débris de météores. Pour les assister dans leurs recherches, les équipes du Jet Propulsion Laboratory ont entrainé une intelligence artificielle. Le résultat ne s'est pas fait attendre…

Des cratères difficiles à identifier

Entre mars 2010 et mars 2012, une météore traversa le ciel martien avant de se briser en morceaux. La chute de ces derniers sur le sol de la planète rouge est à l’origine de nombreux cratères, d’environ 4 mètres de diamètre. Ce qui les rend difficiles à repérer pour les scientifiques.

Mais la donne a changé : près de Los Angeles, les équipes du Jet Propulsion Laboratory (JPL) de la NASA ont travaillé avec des chercheurs en intelligence artificielle pour développer un nouvel outil de machine learning. Son intérêt : identifier très rapidement les impacts des débris de la météore à partir d’une banque d’images de Mars.

Analyser des images en quelques secondes

Jusqu’à présent, les chercheurs passent des heures chaque jour à étudier des images obtenues par le Mars Reconnaissance Orbiter (MRO) de la NASA. Après 14 années passées autour de Mars, les images du MRO ont permis de trouver 1 000 cratères. Pour les aider la Context Camera se charge d’identifier les marques d’impact en amont, grâce aux photographies couvrant des centaines de kilomètres.

Mars Reconnaissance Orbiter (MRO)
Mars Reconnaissance Orbiter (MRO)

Passée cette étape les scientifiques doivent examiner de plus près les photographies via le High-Resolution Imaging Science Experiment (HiRISE). En tout, un chercheur doit compter 40 minutes pour analyser une seule photographie issue de la Context Camera.

Afin d’automatiser ce processus, les équipes du JPL ont nourri leur outil avec 6 830 photographies de la Context Camera. C’est grâce à cette base de données que l’algorithme a « appris » à identifier les cratères sur les images. Une fois entrainé, l’algorithme s’est attelé à identifié de nouveaux cratères sur les 112 000 photos prises par la Context Camera. Pour aller plus vite, les équipes du JPL ont réparti la "charge de travail" sur douze ordinateurs, régis par un super-ordinateur. Résultat : l'IA réalise le même travail qu'un chercheur en seulement cinq secondes.

Combiner la puissance des algorithmes avec l'analyse humaine

Rapide, et fiable : fin août 2020, le HiRISE a confirmé l'existence d'un foyer de cratères dans une région martienne nommée Noctis Fossae. L'équipe du JPL a fourni une liste de 20 autres sites potentiels, tous identifié grâce à l'IA.

Foyer de cratères identifié sur Mars, @NASA/JPL-Caltech/University of Arizona

"Il y a probablement beaucoup d'autres impacts que nous n'avons pas encore trouvés," déclare Ingrid Daubar, collaboratrice au JPL. "Cette avancée vous montre tout ce que vous pouvez faire avec en utilisant des techniques d'analyse moderne pour des missions plus anciennes."