I tubi di lava su Marte e l’Intelligenza Artificiale

Successivamente questi tubi di lava sono stati scoperti pure sulla (o meglio sotto) la superficie di Marte : per chi non sapesse di cosa si tratta, suggerisco di leggere questo mio vecchio articolo del 2009 ed in breve ricordo che si tratta di canali naturali scavati sotto il suolo dal passaggio della lava fuoriuscita da crateri vulcanici millenni fa, quando sia la Luna che Marte erano attivi geologicamente.

Tali tubi di lava si trovano anche sulla Terra e questo tipo di caverne “gratuite”, belle che pronte, potrebbero essere utilizzate un domani per stabilire l’insediamento umano sia sulla Luna che su Marte: rappresenterebbero un’ottimo riparo dai pericoli dell’esposizione ad agenti esterni quali micrometeoriti, meteoriti più grandi, raggi cosmici e quant’altro possa arrecare danni agli astronauti e alle attrezzature.

Trovare tubi di lava sulla Luna e soprattutto su Marte è ovviamente molto complesso ed è come cercare un ago in un pagliaio, ma in questo caso l’Intelligenza Artificiale (IA, d’ora in poi) o almeno il suo lato buono può venire in aiuto in questa ricerca.

Lascio la parola a Nancy Atkinson che ha scritto questo articolo sull’argomento, articolo che tradurrò senza l’aiuto di IA (né col suo lato buono né tantomeno con il suo lato oscuro ), ma solamente grazie alla mia mente umana…

L’IA potrebbe trovare le grotte marziane di cui potremmo aver bisogno

La superficie di Marte è ostile ed implacabile, ma frapponendo qualche metro di regolite tra voi ed il cielo marziano qualunque posto potrebbe diventare più abitabile.

Gli ingressi delle caverne naturali, provocate dal collasso dei tubi di lava, potrebbero essere uno dei luoghi più interessanti da esplorare su Marte, dal momento che potrebbero fornire un riparo ai futuri esploratori umani ed in più potrebbero anche essere un luogo dove poter cercare le tracce di una passata vita microbica su Marte.

La parte esterna di questi canali dove fluiva la lava si è solidificata raffreddandosi,  creando pareti e soffitti, mentre la parte interna rimaneva fusa e la lava continuava a fluire. Alla fine tutta la lava è defluita in direzione della pendenza naturale, lasciando i tubi intatti ed aperti.

Talvolta questi tubi di lava sono evidenziati dalla presenza di una catena di fori sulla superficie (“pinholes“, fori di spillo ) , ma più comunemente sono rilevabili dai cosiddetti “lucernari “, laddove parte del soffitto è collassato , visibili nelle immagini satellitari: rappresentano in genere l’ingresso alle caverne sottostanti.

Questi tubi di lava…

… si trovano sulla Terra, sulla Luna e su Marte : sul pianeta rosso sono stati trovati tubi di lava molto grandi.

Sulla Terra hanno un diametro di circa 15 metri e sono tipicamente più stretti, ma nel 2020 il Mars Reconnaissance Orbiter (MRO) ha catturato immagini di un soffitto crollato di tubo di lava largo 50 metri : la parte sottostante della caverna potrebbe essere ancora più grande.

Gli ingressi dei tubi di lava sono difficili da trovare, specie dall’orbita, dal momento che si mimetizzano con lo sfondo polveroso: a tal proposito è stato sviluppato un nuovo algoritmo di Machine Learning per analizzare le immagini della superficie di Marte, alla ricerca di ingressi di caverne.

I ricercatori Thomas Watson e James Baldini dell’Università di Durham, Gran Bretagna, hanno utilizzato una “Convolutional Neural Network” (CNN) istruita per poter trovare tali ingressi di caverne (“Potential Cave Entrances“, PCE) nelle immagini della superficie marziana riprese dall’orbita.

Il lato buono dell’IA

Inutile dirlo: in un batter d’occhio la CNN ha trovato 61 nuovi ingressi di tubi di lava in 4 zone differenti di Marte.

In precedenza, invece, tutte le PCE erano state trovate da una ricerca manuale in tutte le immagini di Marte, riprese da due fotocamere, la Context Camera (CTX) e la High-Resolution Imaging Science Experiment (HiRISE), a bordo dell’MRO.

Era stato creato così un database chiamato Mars Global Candidate Cave Catalogue (MGC3), contenente le coordinate di queste formazioni naturali ed una breve descrizione : il tutto per un migliaio di PCE.

I due autori della ricerca hanno affermato che “la revisione manuale di immagini satellitari in scala planetaria è tutto meno che un metodo efficiente (ndr: ma era finora l’unico possibile ), dovuto ai tempi necessari a scandagliare tale database. Ma la Machine Learning presenta una soluzione affascinante a questo problema, riducendo drasticamente il tempo di analisi”.

Le IA oggigiorno…

… sono utilizzate comunemente per l’elaborazione del linguaggio naturale ed il riconoscimento del parlato.

Ma le CNN (dette anche ConvNet) sono invece utilizzate per la classificazione di immagini e visione computerizzata (ndr: ne avevo parlato in questo articolo ), potendo riconoscere schemi particolari nelle immagini, catalogarli e fornirli a progetti grandi e piccoli di riconoscimento oggetti.

In uno studio precedente le CNN erano state istruite per riconoscere caratteristiche superficiali di Marte, come ad esempio i crateri, ottenendo un’accuratezza del 90%.

L’IA va opportunamente istruita

Partendo dalle immagini dell’MGC3 delle regioni Tharsis ed Elysium , che presentano la più alta concentrazione di vulcani su Marte

Watson e Baldini hanno istruito il loro modello di CNN, chiamato CaveFinder (ndr: ricercatore di grotte ) a ricercarne le immagini.

Dopo un certo periodo di apprendimento, CaveFinder ha raggiunto un’accuratezza del 77%, trovando 4 PCE con caratteristiche tali da renderle interessanti per ulteriori ricerche.

Una PCE, soprannominata Marvin, è la più grande tra quelle identificate, mentre un’altra, battezzata Emily, ha una altitudine molto bassa che ne favorisce l’indagine per mezzo di droni.

Inoltre sono state identificate dodici regioni che sembrano possedere delle PCE multiple, ideali per essere sottoposte ad esplorazione da parte di missioni future.

L’IA deve ancora maturare…

Ma i ricercatori hanno confessato che CaveFinder necessita di altro lavoro prima di passare a ricerche su database relativi all’intero pianeta, dal momento che ha generato un gran numero di falsi positivi, presentando una bassa attitudine ad identificare piccole caverne singole, come i lucernari o i semplici pinholes : non è ancora adatto ad indagini su vasta scala.

Per i test futuri, i ricercatori pensano di allargare l’insieme di dati da analizzare utilizzando le immagini termiche nell’infrarosso oltre che quelle nel visibile.

Future missioni di orbiter marziani, capaci di riprendere immagini a maggiore risoluzione, saranno determinanti per il buon funzionamento di CaveFinder.

I ricercatori concludono dicendo che “complessivamente, quanto trovato in queste ricerche indica che ulteriori miglioramenti saranno a tutto vantaggio della Machine Learning nella ricerca di grotte marziane, chiave di volta della futura esplorazione marziana”.