A Machine Learning Based Search for Lunar Anomalies

月の静かな日記とロボット探偵

月を単なる夜空に輝く岩石としてではなく、石に刻まれた巨大で静かな「日記」として想像してみてください。何十億年もの間、月はその表面におけるあらゆる衝突、滑落、そして変化を記録してきました。ここ数十年の間に、人類はこの日記を撮影するために、超高性能なスパイである月探査機（LRO）を送り込み、数百万枚もの驚くほど鮮明な写真を撮ってきました。これらの画像は非常に詳細で、宇宙からでも単一の巨岩を見つけ出すことができます。しかし、数百万枚の写真を人の手で一つずつ見ることは、目隠しをした状態でビーチにある特定の砂粒を探すようなものであり、人間の目だけでは不可能です。

ここで、「機械学習」と呼ばれる科学の一分野が登場します。機械学習を、コンピュータに「超スマートな探偵」になるよう教えるプロセスだと考えてください。コンピュータに「クレーターを探せ」といった具体的な指示を出す代わりに、まずは数千枚の「通常の」月の土壌の写真を学習させ、平均的な表面がどのようなものかを理解させます。一度「普通」を知れば、コンピュータは、そこから外れた奇妙なものや異質なものを瞬時に見つけ出すことができます。これが「テクノシグネチャー（技術署名）」を探すという考え方の核心です。これは、人間やあるいはエイリアンが残していったかもしれない技術の痕跡を指す、少し凝った言葉です。大きな疑問はこうです。「岩の中に紛れて、忘れ去られた着陸船や奇妙な構造物のような、人工的なものが隠れている可能性はあるのだろうか？」ということです。

---

ロボットに月の「変なもの」を見つけさせる方法

この論文の中で、研究チームはある新しい種類のロボット探偵、**$\beta$-変分オートエンコーダー（$\beta$-VAE）**のテストを行うことにしました。このモデルは、長年月を研究してきた「デジタル・アーティスト」のようなものだと考えてください。その仕事はシンプルです。月の写真を見て、記憶に基づいてそれを描き直し、その絵を元の写真と比較することです。

魔法がどのように起きるのかを説明しましょう。
月は主に退屈で均一なものです。ただの灰色の塵と岩です。ロボットは、この「平均的な」灰色がどのようなものかを学習します。ロボットが普通の土壌のパッチを見たとき、それは完璧なコピーを描きます。しかし、新鮮なクレーターや地滑りによる岩の堆積、あるいは古い宇宙ゴミのような「奇妙なもの」を見たとき、ロボットは混乱します。ロボットは「通常の」背景を描こうとしますが、その奇妙な物体がうまく適合しないのです。ロボットが「期待していたもの」と「実際に見たもの」の差を、**「アノマリー・スコア（異常スコア）」**と呼びます。差が大きければスコアも高くなり、その場所はより疑わしいものとなります。

研究者たちは、このロボットに膨大な量のデータを食べさせました。LROからの約1,000枚の画像を、64x64ピクセルの小さな正方形（地上での約32x32メートルのパッチに相当）に切り分けたものです。これは、ロボットが学習すべき5,200万以上もの小さなパッチになります！ロボットは月の表面のパターンを学習し、その後、目にするすべてのパッチに対して採点を開始しました。

探偵は何を見つけたのか？

チームは、自分たちのロボット探偵が実際に仕事をこなせているかどうかを確認したいと考えました。彼らは、他の人々がすでに発見していた2つの有名な「疑わしい」地点、**プラスケット・クレーター（Plaskett Crater）とパラセルスC・クレーター（Paracelsus C Crater）**を提示しました。

• プラスケット・クレーターは、岩塊が転がり落ちてきた岩だらけの斜面です。
• パラセルスCには、衝突によって残されたかのような、鋭角で角張った2つの巨岩があります。

ロボットは、これらが特別なものであると教えられる必要はありませんでした。ロボットは画像を確認し、スコアを計算し、即座にこれらの場所を極めて高い異常値としてフラグ立てしました。通常のパッチの平均スコアは約23でしたが、これらの奇妙な場所は明確に際立っており、モデルが特定のリストを与えられなくても、独自の地質学的特徴を見つけ出せることを証明しました。

しかし、本当の醍なのは、彼らがロボットを**「テクノシグネチャー」**、つまり人工物でテストしたときでした。彼らは以下の有名な着陸地点を含む画像を投入しました。

• アポロ11、12、14、15、16、17号の着陸船
• サーベイヤー3号
• 長征3号、5号、6号の着陸船
• さらに、アポロ13号のロケットおよびルナ24号の墜落現場までも。

ロボットは、これらの小さな人工物のほとんどを異常として特定することに成功しました！ここで重要なのは、ロボットがこれらの人工物に「最高」のスコアを与えたわけではないという点です。なぜでしょうか？それは、ロボットが32x32メートルの幅のパッチで学習したからです。小さな着陸船は、その大きなパッチの中ではほんの一点に過ぎず、巨大なクレーターのように景色を支配することはありません。しかし、ロボットはそれでも、ランダムに推測する場合よりも有意に高い精度でこれらを見つけ出しました。実際、このモデルの異常発見能力は、単なる当て推量よりも3.02倍優れていました。

どの程度の確信があるのか？

研究者たちは、この手法が機能していることに非常に自信を持っていますが、過剰な宣伝にならないよう慎重になっています。彼らは統計テスト（コルモゴロフ–スミルノフ検定）を使用しましたが、その結果得られたp値は1.95x10⁻³⁵でした。平たく言えば、この数字は信じられないほど小さいため、ロボットが単に運良く当たっているのではなく、通常の月の土壌と異常のある場所との間に、真に差異を見出していることを証明しています。

ただし、この論文は「新しいエイリアンの基地や失われた宇宙船を発見した」と主張しているわけではありません。単に、この特定の種類の機械学習モデルが、月をスキャンするための強力なツールであることを証明しているのです。ロボットは、私たちがすでに知っているものを見つけ出しました。これは、私たちがまだ知らないものを探しに行く準備ができていることを示唆しています。

次のステップは？

チームは、これを始まりに過ぎないと考えています。彼らの次の目標は、このロボットを月全体に走らせ、異常なスポットのグローバルマップを作成することです。彼らは以下のようなものを見つけることを期待しています。

• 隠れた火山性の穴や崩落した溶岩チューブ（将来の宇宙飛行士が隠れるのに適した場所です！）。
• 新鮮なクレーターや岩の崩落。
• 残されているかもしれない、未知または紛失したテクノロジーの断片。

彼らはまた、ロボットには学習したパッチサイズによる「バイアス」があることも認識しています。もし、より小さなパッチで学習させれば、より小さなものを見つけるのが得意になるかもしれません。逆に、より大きなパッチで学習させれば、より巨大なクレーターを見つけるのが得意になるでしょう。彼らは、これら異なるバージョンのロボットを組み合わせることで、両方の利点を手に入れようと考えています。

最後に、これは月だけの話ではありません。同じ手法は、火星、水星、あるいは高解像度の写真が存在する他のどの惑星にも使用できます。コードは誰でも利用できるように公開されており、このデジタル探偵は、太陽系における「奇妙なもの」や「未知のもの」を探索するために、世界中の人々を助ける準備ができています。