A superfície da lua conta a história do sistema solar interior. Cada meteorito que atinge deixa sua marca e, juntas, essas crateras registram os eventos que ocorreram na lua e ao redor dela nos últimos 4 bilhões de anos.

Mas o registro pode ser difícil de ler. As idades e densidades espaciais das crateras são métricas críticas para decodificar a história de impacto da lua, mas analisar essas propriedades pode ser demorado e às vezes requer trazer amostras de volta à Terra.

JH Fairweather e seus colegas mostram, em um artigo publicado na Earth and Space Science , que o aprendizado de máquina pode ser uma maneira rápida e fácil de melhorar nossa compreensão das crateras lunares. Ao treinar um algoritmo em mais de 50.000 imagens de crateras previamente caracterizadas, os pesquisadores foram capazes de estimar as idades e densidades de muitas outras marcas da lua.

No início, as estimativas do algoritmo de aprendizado de máquina diferiam substancialmente daquelas que outros pesquisadores haviam derivado manualmente. Mas com um pouco de curadoria manual, Fairweather e seus colegas conseguiram alinhar suas estimativas automatizadas de idade e densidade de crateras com estimativas anteriores.

As condições de iluminação apresentaram um problema. Se as crateras estivessem parcialmente sombreadas por rochas ou localizadas em encostas iluminadas de forma desigual, o algoritmo tinha problemas para analisá-las com precisão. A exclusão dessas crateras melhorou a precisão. A presença de rochas ou crateras enterradas também levou o algoritmo a superestimar as idades das crateras em 10% a 45%, mas pode determinar idades muito precisas para superfícies lunares jovens e crateras de impacto uma vez que rochas, crateras enterradas e outros objetos indesejados foram removidos do imagens.

Os pesquisadores alertam que, embora o aprendizado de máquina possa fornecer uma riqueza de informações sobre a superfície da lua, os algoritmos ainda requerem uma supervisão cuidadosa.