A Machine Learning Based Search for Lunar Anomalies

Das stille Tagebuch des Mondes und der Roboter-Detektiv

Stellen Sie sich den Mond nicht nur als leuchtenden Felsen am Nachthimmel vor, sondern als ein riesiges, stilles Tagebuch, das in Stein geschrieben wurde. Seit Milliarden von Jahren hat er jeden Aufprall, jedes Rutschen und jede Veränderung auf seiner Oberfläche aufgezeichnet. In den letzten Jahrzehnten hat die Menschheit einen hochtechnisierten Spion, den Lunar Reconnaissance Orbiter (Lio), entsandt, um Millionen von unglaublich scharfen Fotografien dieses Tagebuchs zu machen. Diese Bilder sind so detailliert, dass sie einen einzelnen Felsbrocken aus dem Weltraum erkennen können. Aber Millionen von Fotos von Hand zu betrachten, ist wie der Versuch, ein bestimmtes Sandkorn an einem Strand zu finden, während man Augenbinden trägt; es ist für das menschliche Auge allein unmöglich.

Hier kommt ein Zweig der Wissenschaft namens „Maschinelles Lernen“ ins Spiel. Stellen Sie sich maschinelles Lernen als das Lehren eines Computers vor, ein superintelligenter Detektiv zu werden. Anstatt dem Computer genau zu sagen, wonach er suchen soll (wie „finde einen Krater“), lassen wir ihn tausende Bilder von „normalem“ Mondstaub studieren, bis er lernt, wie die durchschnittliche Oberfläche aussieht. Sobald er das „Normale“ kennt, kann er sofort alles erkennen, das seltsam oder deplatziert wirkt. Dies ist der Kern der Suche nach „Technosignaturen“ – was nur ein schicker Begriff für Anzeichen dafür ist, dass Technologie, die vielleicht von Menschen oder sogar Aliens hinterlassen wurde, sich auf der Oberfläche verbergen könnte. Die große Frage ist: Könnte da etwas Künstliches, wie ein vergessener Lander oder eine seltsame Struktur, mitten unter den Felsen im Verborgenen liegen?

---

Einem Roboter beibringen, das Seltsame auf dem Mond zu entdecken

In dieser Arbeit hat ein Forscherteam beschlossen, eine neue Art von Roboter-Detektiv namens eines $\beta$-Variational Autoencoders (VAE) zu testen. Sie können dieses Modell als einen digitalen Künstler betrachten, der jahrelang den Mond studiert hat. Seine Aufgabe ist einfach: Ein Bild des Mondes ansehen, versuchen, es aus dem Gedächtnis nachzuzeichnen, und dann seine Zeichnung mit dem Originalfoto vergleichen.

So geschieht die Magie:
Der Mond ist größtenteils langweilig und gleichförmig – er besteht nur aus grauem Staub und Steinen. Der Roboter lernt, wie dieses „durchschnittliche“ Grau aussieht. Wenn er ein Stück des Mondes sieht, das nur normaler Staub ist, zeichnet er eine perfekte Kopie. Aber wenn er etwas Seltsames sieht – wie einen frischen Krater, einen Steinschlag oder sogar ein Stück alten Weltraumschrott – gerät er durcheinander. Er versucht, den „normalen“ Hintergrund zu zeichnen, aber das seltsame Objekt passt nicht hinein. Der Unterschied zwischen dem, was der Roboter erwartet hatte, und dem, was er tatsächlich sieht, wird als „Anomaliewert“ (Anomaly Score) bezeichnet. Je größer der Unterschied, desto höher ist der Wert und desto verdächtiger wird die Stelle.

Die Forscher fütterten diesen Roboter mit einer massiven Menge an Daten: etwa 1.000 Bilder vom LRO, die in winzige 64x64-Pixel-Quadrate zerlegt wurden (was etwa der Größe eines 32x32-Meter-Patches auf dem Boden entspricht). Das sind über 52 Millionen kleine Patches, die der Roboter studieren konnte! Der Roboter lernte die Muster der Mondoberfläche und begann dann, jeden einzelnen Patch, den er betrachtete, zu bewerten.

Was hat der Detektiv gefunden?

Das Team wollte sehen, ob ihr Roboter-Detektiv tatsächlich gut bei der Sache war. Sie gaben ihm zwei berühmte „verdächtige“ Orte, die andere bereits gefunden hatten: den Plaskett-Krater und den Paracelsus C Krater.

• Plaskett-Krater ist ein felsiger Hang, an dem Felsbrocken hinuntergestürzt sind.
• Paracelsus C weist zwei scharfe, kantige Felsbrocken auf, die aussehen, als wären sie durch einen Aufprall dort gelandet.

Der Roboter musste nicht darauf hingewiesen werden, dass dies besondere Orte seien. Er betrachtete die Bilder, berechnete die Werte und markierte diese Stellen sofort als hochgradig anomal. Der Durchschnittswert für einen normalen Patch lag bei etwa 23, aber diese seltsamen Stellen stachen deutlich hervor, was bewies, dass das Modell in der Lage war, einzigartige geologische Merkmale zu erkennen, ohne mit einer spezifischen Liste programmiert worden zu sein, wonach es suchen sollte.

Aber der eigentliche Spaß begann, als sie den Roboter auf Technosignaturen testeten – das menschengemachte Zeug. Sie fütterten ihn mit Bildern berühmter Landestellen, darunter:

• Die Apollo 11, 12, 14, 15, 16 und 17 Lander.
• Der Surveyor 3 Lander.
• Die Chang'e 3, 5 und 6 Lander.
• Sogar die Absturzstellen der Apollo 13 Rakete und des Luna 24 Landers.

Der Roboter identifizierte die meisten dieser winzigen, künstlichen Objekte erfolgreich als Anomalien! Es ist wichtig anzumerken, dass der Roboter diesen menschengemachten Objekten nicht die höchstmöglichen Werte gab. Warum? Weil der Roboter auf Patches trainiert wurde, die 32x32 Meter breit waren. Ein winziger Lander ist nur ein kleiner Fleck in diesem großen Patch, er dominiert das Bild also nicht so sehr wie ein riesiger Krater. Dennoch entdeckte der Roboter sie signifikant besser als durch reinen Zufall. Tatsächlich war die Fähigkeit des Modells, diese Anomalien zu finden, 3,02 Mal besser als bloßes Raten.

Wie sicher sind sie sich?

Die Forscher sind sehr zuversichtlich, dass diese Methode funktioniert, aber sie sind vorsichtig, sie nicht überzubewerten. Sie verwendeten einen statistischen Test (den Kolmogorov-Smirnov-Test), der einen p-Wert von 1,95x10⁻³⁵ ergab. In einfachen Worten ausgedrückt: Diese Zahl ist so unglaublich klein, dass sie beweist, dass der Roboter nicht einfach nur Glück hat; er sieht tatsächlich einen Unterschied zwischen normalem Mondstaub und Stellen mit Anomalien.

Das Papier behauptet jedoch nicht, neue außerirdische Basen oder verlorene Schiffe gefunden zu haben. Es beweist lediglich, dass diese spezifische Art von maschinellem Lernmodell ein leistungsstarkes Werkzeug zum Scannen des Mondes ist. Der Robot fand die Dinge, von denen wir bereits wussten, dass sie da waren, was darauf hindeutet, dass er bereit ist, nach Dingen zu suchen, die wir noch nicht kennen.

Was kommt als Nächstes?

Das Team sieht dies nur als den Anfang an. Ihr nächstes Ziel ist es, diesen Roboter über den gesamten Mond laufen zu lassen, um eine globale Karte der seltsamen Stellen zu erstellen. Sie hoffen, Folgendes zu finden:

• Verborgene vulkanische Gruben oder eingestürzte Lavaröhren (ideal als Verstecke für zukünftige Astronauten!).
• Frische Krater oder Steinschläge.
• Jegliche fehlenden oder unbekannten technologischen Überreste.

Sie erkennen auch, dass der Roboter eine „Voreingenommenheit“ (Bias) hat, die durch die Größe der Patches bedingt ist, mit denen er trainiert wurde. Wenn sie ihn mit kleineren Patches trainieren, könnte er besser darin werden, winzige Dinge zu entdecken. Wenn sie ihn mit größeren Patches traingen, könnte er besser darin werden, riesige Krater zu finden. Sie planen, verschiedene Versionen des Roboters zu kombinieren, um das Beste aus beiden Welten zu erhalten.

Schließlich gilt dies nicht nur für den Mond. Dieselbe Technik könnte auf den Mars, Merkur oder jeden anderen Planeten mit hochauflösenden Fotos angewendet werden. Der Code ist sogar für jeden frei verfügbar, was bedeutet, dass dieser digitale Detektiv bereit ist, der ganzen Welt dabei zu helfen, das Seltsame und Unbekannte in unserem Sonnensystem zu durchsuchen.