图片于2011年拍摄，展示了卡西尼号太空船在土星上观测到的最大风暴。图片来源：NASA/JPL-Caltech/SSI

伦敦大学学院和亚利桑那大学的研究人员正在研究美国宇航局卡西尼号飞船收集的数据。该飞船于2017年在大气层解体，在此前的13年时间里被用于研究土星。

最近于《Nature Astronomy》 出版的论文描述了科学家如何利用深度学习模型揭示土星以前未检测到的大气特征，并在全球范围内提供更清晰的行星风暴系统视图。

除了提供有关土星的新见解外，人工智能还可以揭示太阳系内外行星的行为。

研究人员使用了NVIDIA V100 GPU。这是最先进的数据中心GPU，可用于神经网络的训练和推理。

利用GPU拨云见日

科学家通常会采取两种策略之一来研究其他行星大气，伦敦大学学院太空系外行星数据中心副主任Ingo Waldmann介绍称。他们要么对一个感兴趣的小区域进行详细的人工分析，这需要花费一位博士生一年的时间；要么他们就只能简化数据，获得粗略、低分辨率的研究结果。
 
“物理学非常复杂，” Waldmann说。 “通过对旧问题使用大数据方法，可以做很多科学研究。”
 
卡西尼号卫星为研究人员带来了数TB的数据。借助无监督学习，Waldmann与他来自亚利桑那大学的联合作者Caitlin Griffith在卫星测绘光谱仪的数据上训练他们的深度学习模型。
 
与CPU相比，研究人员在单个V100 GPU上训练深度学习模型时，可实现30倍的提速。他们现在正在转向使用多个GPU的集群。在推理方面，GPU的速度是CPU的两倍。
 
利用人工智能模型，研究人员能够分析2008年发生在土星南半球的长达数月的电风暴。科学家此前曾从风暴的卫星图像中发现了一颗明亮的氨云——这种特征更常见于木星，但是在土星上很少见到。

Waldmann和Griffith利用人工智能分析了这场长达数月的土星电风暴的数据。左图显示的是与肉眼看到的颜色相似的行星，而右图则是颜色增强版，风暴更加清晰可见。图片来源：NASA/JPL/空间科学研究所

Waldmann和Griffith的神经网络发现，肉眼可见的氨云只是隐藏在薄薄的其他云层和气体层下的 “巨大上升流” 的一角。

“我们通过肉眼看到的只是氨特征表现最强的一点，” Waldmann认为。 “这事实上只是冰山一角。其余的特征眼睛看不到——但肯定存在。 “

超越行星科学的无限遐想

对于像Waldmann这样的研究人员来说，这些发现只是第一步。深度学习能够以前所未有的方式为行星科学家提供深度和广度，同时帮助获得覆盖广阔地理区域的更详细的分析。
 
“它会很快告诉你全局图是什么以及它们如何联系在一起，” Waldmann说。 “然后研究人员可以去查看特定系统中有趣的个别位置，而不是盲目搜索。”
 
更好地了解土星的大气层可以帮助科学家分析太阳系的行为，并提供帮助了解其他行星的见解。

研究人员正在扩展他们的模型，使用迁移学习来研究火星、金星和地球上的特征。他们惊喜地发现这种方法在行星之间非常奏效。
 
虽然金星和地球的大小几乎相同，但金星没有全球板块构造。与巴黎天文台合作，该团队正在启动一个项目，分析金星的云结构和行星表面，以了解它缺少构造板块的原因。
 
研究人员的火星项目则并非关注大气特征，而是研究行星表面。来自火星勘测轨道飞行器（Mars Reconaissance Orbiter）的数据可以创建一个全球分析，科学家可以用它来推断出最有可能出现古水的位置，并确定下一个火星探测器应该降落的位置。
 
Waldmann说，基础模式识别算法可以进一步扩展。在地球上，它可以重新用于发现非法渔船以保卫环境保护区。在木星中，迁移学习方法可以训练AI模型来分析行星的风暴如何随时间变化。
 
深度学习让训练数据变得相对容易，为研究人员创造了许多大显身手的机会和空间。
 
“这是关于行星科学的美好事物，” 他说。 “所有行星的所有数据都是公开的。”