KUNSTIG INTELLIGENS

Meteoritt eller kenguru? Slik gikk det da forskere brukte maskinlæring for å finne meteoritter

Ved hjelp av kommersielle droner, kunstig intelligens og baneutregninger fant australske forskere meteoritt i Nullarbor ørkenen i Australia.

Meteoritten som forskerne fant ved hjelp av maskinlæring og droner
Meteoritten som forskerne fant ved hjelp av maskinlæring og droner Montasje: Anderson et al. (2022)
8. mars 2022 - 18:00

Forskere i Australia har ved hjelp av kalkulasjoner, droner og AI klart å finne en meteoritt uten å trenge å gå manngard.

Ved hjelp av maskinlæring og dronefotografering har Forskerne ved Curtin University i Perth i Australia lyktes i å lokalisere en meteoritt som falt ned i Nullarbor-ørkenen i Australia 1. april 2021. Ved hjelp av kamerasystemer og maskinlæringsprosesser beskriver forskerne hvordan de fant meteoritten på tre dager i sin forskningsrapport.

Flere verktøy

Forskerne har benyttet flere verktøy for å finne meteoritten, blant annet sitt forskningsnettverk «Desert fireball network» (DFN), som er en del av det globale meteoritt-overvåkningsnettverket «Global Fireball Network». 

DFN overvåker himmelen i ørkenen i Australia og gir forskerne data som lar dem regne ut banen til meteoritten. På denne måten får de ganske nøyaktig regnet ut hvor den kommer til å lande. Meteoritten som forskerne beskriver letingen etter kom de frem til et nedslagsfelt på 5.1 kvadratkilometer der det var 90 prosent sjanse for at meteoritten hadde landet. Dermed kunne forskerne nå gå inn med droner for å kartlegge og lete etter meteoritten.

Ved hjelp av verktøy og kameraer fra Dessert Fireball Network regnet forskerne ut nedfallsområdet for å gjøre grundigere søk <i>Montasje:  Anderson et al. (2022)</i>
Ved hjelp av verktøy og kameraer fra Dessert Fireball Network regnet forskerne ut nedfallsområdet for å gjøre grundigere søk Montasje:  Anderson et al. (2022)

Etter en et slikt nedfallsområde er kalkulert er det vanlig å gå manngard med fem til ti meter mellom hver person for å finne en meteoritt. Dette krever mange mennesker og lang tid for et så stort område. Her er det forskerne sin nye metode kommer i bruk. I stedet for å gå manuelt å lete fløy forskerne en drone over leteområdet.

Dronen tok til sammen 5096 bilder over fire flyturer i løpet av de tre dagene. Disse bildene ble det opp i rutenett som tilsvarte i 46,5 millioner ruter. Hver rute ble lagt inn i en datamaskin som brukte maskinlæring med bilder av meteoritter lagt inn som positive treff og bilder av landskapet lagt inn som negative treff. I løpet av analyseperioden la også forskerne inn treff fra landskapet for å trene maskinen på hvordan negative treff så ut. Dette måtte gjøres daglig fordi vær og lysforhold kunne være forskjellig.

Fra 46,5 millioner punkter til fire turer ut for å lete

Algoritmen kuttet ned disse treff-rutene fra de originale 46,5 millioner ruter ned til 56.384 ruter. Disse ble gjennomgått manuelt og maskinelt som førte til 259 mulige ruter der det kunne være meteoritt.

Når det var gjort sendte forskerne ut en ny drone som analyserte terrenget nærmere og hvis det ble vurdert at det var svært sannsynlig ble det sendt ut en person til å gjøre søk. Steg tre, altså detaljsøket med drone, ble gjort 38 ganger og sendte ut personer fire ganger før de fant meteoritten.

Delvis suksess

Prosjektet blir sett på av forskerne som en seier. De klarte ved hjelp av maskinlæring og bilder å begrense søket fra et større område for å finne en stein på under 15 cm. Forskerne understreker i sin rapport at de ikke fikk trent opp en meteorittlete-algoritme, men heller lagde en algoritme som fant uvanligheter spesielt trent for Nullarbor ørkenen.

De skriver også at de fikk flere falske positiver av kenguruer, metallbokser eller utstyr som algoritmen  markerte som meteoritter.

De mange cybertruslene som allerede finnes vil bare bli verre med fremskrittene innen KI.
Les også

Sikkerhetsselskap: Dette er de viktigste KI-truslene 

Del
Kommentarer:
Du kan kommentere under fullt navn eller med kallenavn. Bruk BankID for automatisk oppretting av brukerkonto.