IT思维

公众号/ 将门创投

From: Nvidia 编译: T.R

在璀璨的夜空中带着明亮光环的土星散发着迷人的魅力，但在这颗太阳系第二大行星的表面下并不平静，剧烈的风暴在大气层下汹涌澎湃。

由于土星的体积是地球的760多倍，风暴的规模也远远超过了地球上的程度会达到1800km/h的狂风。土星大气的风暴模式一直是天文学家长期的研究重点，但庞大的天文数据让研究人员无法有效处理，充分地了解这颗魅力行星的大气系统。

而最近来自伦敦大学学院和亚利桑那州立的研究人员将AI应用于分析卡西尼探测器的天文数据，揭示了土星大气中丰富的气象特征，更全面地了解了风暴系统特性。同时研究人员还将AI系统成功应用于太阳系内其他星球的分析取得了令人十分满意的结果。

土星的大气活动模式

人类向太阳系内的各个行星发射了很多个探测器，收集了海量的观测数据。但对数据的人工处理方式限制了人们对于行星的深入全局理解。科学家们对于大气数据的处理主要有两种策略，一种是针对一个小区域进行手工详细分析，另一种则将数据进行简化在低分辨下来进行全局分析。

但真实的大气物理状况十分复杂，这些手工分析方法不是已过时就是太简单，无法充分利用数据从中发掘信息。如果利用大数据和人工智能的方法，对于行星数据分析的问题还有很多问题需要深入研究。

对于卡西尼号发回的TB级别数据，研究人员最开始利用了非监督学习的方法来训练深度学习模型对光谱仪的数据集进行学习。

上图展示了研究人员构建的PlaneNet模型，利用两个子网络处理空间和光谱数据，并用全连接对信息进行融合实现天气模式的分类。在深度学习和高性能计算的帮助下研究人员不仅提升了数据处理速度，同时得以分析2008年在土星南半球发生长达几个月的电磁暴模式。

在AI的帮助下，增强图像让隐藏的风暴模式更加显著

很多肉眼可见的大气运动特征只是其中最强烈的部分，还有隐藏在大气中的庞大部分。在AI的帮助下研究人员得以揭示风暴模式更为完整的特征。

从土星到太阳系

研究人员表示这种方法可以迅速准确地给出模式的全局相关性，随后即可针对感兴趣的位置进行深入研究，代替了先前盲目搜索的冗长和低效。对于土星大气系统更深入的理解可以帮助科学家了解太阳系大气系统的行为，为中卫行星的理解提供更好的推断基础。

研究人员发现土星大气中的新模式

（点击图片查看）
对于研究人员来说，分析土星模式只是打开新世界的一小步，更深入和更广阔的视野为分析其它天体大范围的大气、地理区域提供了新的思路。目前已经通过迁移学习的方式将模型的能力成功拓展到了火星、金星和地球上。

例如金星，大小地球十分类似被称为地球的姐妹行星，但是金星表面却没有板块构造结构。研究人员与巴黎天文台进行合作观测，将深度学习模型应用于金星云层结构和行星表面，来帮助理解为何金星缺乏板块构造。

而在火星上，研究人员们则将目光投向了寻找古代河流的痕迹。通过分析火星轨道器的观测数据，研究人员得以更全面的分析和寻找水曾经存在的痕迹，并决定下一个火星漫步者的降落地点。

这种模式识别分析算法还能用于地球的环境保护，资源勘探和人类活动的识别。相信未来会有更多的大尺度天文和地理领域应用这样的算法获得新的发现。

开放的数据和强大的算力为这个时代的我们创造了从未有过的机遇。我们手可摘星辰、放眼看大海。在AI的帮助下，从天空宇宙到海洋沙漠，从天上的星星到地上的你我他，都在重塑着人类对于世界的认知和理解。

ref:
paper:https://www.nature.com/articles/s41550-019-0753-8
https://blogs.nvidia.com/blog/2019/05/07/ai-storms-saturn/
https://en.wikipedia.org/wiki/Saturn
https://www.zhihu.com/question/54479978/answer/273952816
https://www.jpl.nasa.gov/missions/mars-reconnaissance-orbiter-mro/

picture:https://dribbble.com/shots/4193533-Best-Icons-Of-The-Month