月球坑到底有多少個？自人類探索月球數十年，也只辨識了110多萬個。最近，科學家用深度學習教會計算機幫助我們識別出近11萬個月球坑。

采訪專家：楊晨（吉林大學地球科學學院副教授）

月球作為地球唯一的衛星，距離地球并不算很遠，因此也是人類首個探索的星球。提到月球，最明顯的特征就是月球表面坑坑洼洼的無數的隕石坑，這是因為月球缺乏大氣層的保護，所有的天外來客——小行星、隕石、彗星等無論大小都會不打折扣地高速撞向月球表面。

但是人類探索月球數十年，也只辨識了110多萬個月球隕石坑。對于人類來說，想要計算月球上所有的隕石坑，依靠人力幾乎是不可能的事情。于是科學家將希望寄托到計算機上，利用特殊的算法進行自動計算。

▲由于月球缺乏大氣層的保護，所有的天外來客——小行星、隕石、彗星都會不打折扣地高速撞向月球表面，撞擊行程許多月球撞擊坑（圖片來源/視覺中國）

近日，由吉林大學、中國科學院國家天文臺、意大利特倫托大學和冰島大學課題組組成的團隊，基于遷移學習方法構建了深度神經網絡模型，成功從嫦娥一號和嫦娥二號數據中識別出之前未識別的近11萬個撞擊坑，并有超過18000個撞擊坑被標定了地質年代。該項成果已發表在國際學術期刊《自然·通訊》上。

月表到底有多少個坑？研究這些“麻點”到底有哪些意義？此次研究用到的全新工具——“深度神經網絡”是如何為探月服務的？

▼ ▼ ▼更多未知撞擊坑有待發現

俗話說，踩過的坑都是成長。對于月球也是一樣，月球撞擊坑又被稱為“月球化石”。科研人員通過對月球撞擊坑的研究，不僅能獲知天體表面的相對地質年齡和地表特性，還能通過繪制天體表面圖，為今后太空探索中航天器導航的定位和障礙物躲避等提供數據分析。因此，月球撞擊坑的提取和識別在太空探索領域中有著重要的意義。

▲2020年4月23日，美國發布首份月球綜合地質圖，圖片顯示月球上遍布著各種巖石、隕石坑（圖片來源NASA）

自人類開展月球探測六十年來，積累了各種月球數據，包括數字影像、數字高程數據和月球樣品。近年來，由專家人工或自動識別的月球撞擊坑數據庫相繼建立。“月球撞擊坑的數量遠比現在識別的要多。”吉林大學地球科學學院副教授楊晨說，隨著月球數據精度的提高和先進模型的發展，會發現更多的未知撞擊坑。

目前，在撞擊坑識別方面，有專家人工識別和自動識別兩種，各有局限性。依靠專家人工識別，會耗時耗力；而現有自動識別會出現錯檢和漏檢。

“由于識別方式與數據類型的差異性，使得現有數據庫在撞擊坑計數、位置和大小等方面存在一定分歧。”楊晨說。尤其在撞擊坑年代標定方面，撞擊坑相對年齡主要依據地層覆蓋關系、撞擊坑形態退化情況和新鮮程度，以及適用于大型射線坑的光學成熟度等來測定。而撞擊坑的絕對年齡則需由返回樣本的放射測齡和撞擊坑累積尺寸頻率分布分析決定。

楊晨說，常規工具很難用單一類型數據對撞擊坑進行識別和年齡鑒別。而楊晨團隊提出的新方法優勢在于，可以利用少量的已知數據即可訓練得到一個比較好的能夠勝任撞擊坑識別的人工智能模型。

▼ ▼ ▼數據不會說話，智能不等于智慧

人能制造出比自己更聰明的東西？是的，那就是人工智能。2016年，AlphaGo戰勝了圍棋世界冠軍李世石，就已經宣告了人工智能在某些方面比人類更聰明。

▲2016年3月9日至15日在韓國首爾進行的韓國圍棋九段棋手李世石與人工智能圍棋程序阿爾法圍棋AlphaGo之間的五番棋比賽。最終結果是人工智能阿爾法圍棋以總比分4比1戰勝人類代表李世石（圖片來源網絡）

AlphaGo之所以聰明，是因為它使用了蒙地卡洛樹搜索與兩個深度神經網絡相結合的方法。所謂的“深度”，就是層次深的意思。深度神經網絡與生物的大腦一樣，是分層的。比如：AlphaGo在下棋的時候，會把棋局轉化為數據，輸入到第一層神經網絡，處理之后，然后輸出一個數據集合，輸入到第二層神經網絡，以此類推，它的策略網絡總共有13層，最后計算出下一個落子點的概率分布。

“通俗來講，深度神經網絡就是比傳統神經網絡層數更多更深的神經網絡。”楊晨說，當下，隨著數據爆炸式的增長和計算能力的飛速提升，以及能夠穩定訓練大型神經網絡的技巧的出現，使得深度神經網絡模型在各個領域均取得驚人的應用效果，從而變得異常火爆。今后，這一技術會更加廣泛地融合到各個學科，也會更加深入地滲透到我們生活的各個方面。

比如醫學影像中的病癥特征判斷，行星數據中類地行星特征的判斷，還有面部識別特征判斷等等。“然而，目前深度神經網絡發展受限的主要因素為該類模型為一個黑盒模型，解釋性較差，無法很好地讓人們理解其取得好的性能的邏輯。”楊晨說。

▲深度學習已經在醫學影像中的幫助醫生判斷病癥（圖片來源網絡）

簡單理解就是，科學家盡管利用了復雜網絡的思路來模擬人腦的神經網絡。但是，科學家并不知道這個神經網絡到底是怎么“思考”的。因為人工智能思考問題的方式，是通過反復的訓練來調整參數，優化參數。而這個過程中充滿了大量的隨機性。

比如：科學家給AlphaGo輸入了幾百萬份圍棋大師的棋譜，讓它在人工的輔助下進行有監督的學習。這些棋譜都用完之后，科學家又讓AlphaGo自己和自己對弈，生成很多我們人類也沒有見過的棋局，讓它左右互搏，繼續訓練。越訓練，AlphaGo就越厲害。這就是復雜神經網絡自我演化的威力。它可以自我學習、自我優化、自我迭代，從而變得更加強大。

楊晨認為，雖然目前深度神經網絡在多個領域均取得了很好的效果，但是該類模型還無法達到一種“強人工智能”的階段，即一個模型目前還無法解決多個領域的問題。他們希望這次為識別月球撞擊坑建立的模型，除了在探月任務上，還能在太陽系其他行星探測方面發揮重要作用。

深度學習的問世，意味著我們將從專家的年代轉變為實干和數據的年代。但楊晨覺得，數據本身不會說話。我們要借鑒和利用專家的經驗和智慧，通過深度學習挖掘知識，為我們所用。例如本研究工作中，就運用了少量的標記樣本，這些類別標記就是專家知識。她覺得，人工智能要實現落地，需要“數據+模型+領域專家知識”。

▼ ▼ ▼深度學習，給計算機一雙識坑“慧眼”

為了提高天體撞擊坑的識別效率，國內外許多研究人員嘗試使用計算機來識別撞擊坑，并且設計了各種各樣的撞擊坑自動識別算法。楊晨團隊就嘗試了一種新的方法，即基于遷移學習方法構建的深度神經網絡模型。

“遷移學習是一種新穎的機器學習方法，能用之前獲得的知識解決下一個問題。”楊晨解釋說。研究人員用7895個已知具有名字和1411個已知年齡的撞擊坑數據構建了一個深度神經網絡模型。通過該模型，他們從嫦娥一號與嫦娥二號數據中漸進地檢測撞擊坑，并進一步估計出其地質年齡。

“大熱”的深度神經網絡為何會用于探月研究？對此，楊晨表示，他們團隊成員來自地球科學、天文學、計算機科學等領域，具有較強的交叉學科研究背景。簡單來說，他們這次構建的深度神經網絡模型過程是：先基于預訓練卷積網絡提取月球影像特征，其次訓練基于嫦娥一號的月球撞擊坑數據后，用于識別目標撞擊坑。這次識別出了嫦娥一號直徑為50km–600km和直徑為20km–120km撞擊坑。隨后，將訓練好的模型遷移到嫦娥二號影像上識別更為精細的1km–50 km撞擊坑。

“目前，鑒于小型撞擊坑數量巨大而且難識別的問題，接下來會將該模型擴展到小撞擊坑識別方面，讓這一模型變得更強大。”楊晨說。

目前，這些識別和標定的撞擊坑貫穿于月球中緯度和低緯度地區，就識別的準確度來看，這次新撞擊坑與人工識別撞擊坑數據庫一致性高達85.30%。這些科研成果已擴展并應用于嫦娥五號著陸區小型撞擊坑識別。

▲月球表面撞擊坑分布圖。a. 已知具有名字的撞擊坑（來自The International Astronomical Union, IAU）與具有年代的撞擊坑（來自Lunar and Planetary Institute, LPI）分布。紅色、棕色、黃色、綠色和藍色分別表示前酒海紀、酒海紀、雨海紀、愛拉托遜紀和哥白尼紀撞擊坑。灰色為具有名字的撞擊坑但無確定年齡。b. 新識別撞擊坑（直徑在550km-8km之間）年代標定分布圖。從時間尺度和空間分布上，不同年代撞擊坑呈現出各自的特點。（供圖/楊晨）

美國西南研究院空間研究部的資深科學家Clark R. Chapman博士是該項成果的實名審稿人。他認為，“發展迅速和高效的機器學習方法將成為未來撞擊坑識別的主要技術手段。這一研究通過與其他數據庫進行比較，包括對撞擊坑地質年代的比較，可以推動撞擊坑識別與估計方法的進一步改進，對月球和行星科學研究作出了有益貢獻。”（科普中央廚房 | 北京科技報）