هوش مصنوعی و مأموریت چانگ‌ئه-۶: کشف ترکیبات ناشناخته سمت پنهان ماه

کشف راز ترکیبات ناشناخته سمت پنهان ماه

مأموریت چانگ‌ئه-۶ (Chang’e-6) چین، به عنوان اولین مأموریت تاریخ بشر برای بازگرداندن ترکیبات ناشناخته از سمت پنهان ماه، نقطه عطفی در پژوهش‌های فضایی محسوب می‌شود. این مأموریت پیشرفته، با ترکیب کاوشگرهای سطح‌نشین، بازوهای نمونه‌بردار رباتیک و هوش مصنوعی پیشرفته، افقی کاملاً جدید در مطالعه ترکیب و تاریخ زمین‌شناسی ماه گشوده است.

مطالعه سمت پنهان ماه، که همواره پشت به زمین قرار دارد و به دلیل موقعیت مداری خاص و نبود تماس مستقیم رادیویی، با چالش‌های فراوانی همراه بوده، اکنون با داده‌های دقیق چانگ‌ئه-۶ متحول شده است. این مأموریت توانست ترکیبی از نمونه‌های معدنی فیزیکی، داده‌های طیفی چندبانده و اندازه‌گیری‌های ژئوشیمیایی موضعی را به زمین منتقل کند.

این داده‌ها، با کمک هوش مصنوعی، به اولین نقشه شیمیایی جهانی و با وضوح بالا از سمت پنهان ماه منجر شده است. پژوهشگران مؤسسه فیزیک فنی شانگهای، آکادمی علوم چین، دانشگاه تونگجی و چندین مرکز تخصصی دیگر، این داده‌ها را با بهره‌گیری از مدل‌های یادگیری عمیق و تحلیل چندطیفی مورد بررسی قرار دادند. با آموزش یک شبکه عصبی بر میلیون‌ها داده طیفی و سطح‌شناسی، این مدل توانست الگوهای پنهان را شناسایی کرده و ترکیب دقیق معدنی، غلظت اکسیدها و تاریخ شکل‌گیری مناطق ناشناخته ماه را استنباط کند. نتایج این پژوهش در ژورنال معتبر Nature Sensors منتشر شد.

نخستین نقشه جهانی ترکیبات معدنی ماه با کمک یادگیری ماشین

این تحقیق دید تازه‌ای از حوضه قطب جنوب–آیتکن ارائه می‌دهد؛ ناحیه‌ای برخوردی به وسعت حدود ۲۵۰۰ کیلومتر که یکی از قدیمی‌ترین و بزرگ‌ترین دهانه‌های شناخته‌شده در منظومه شمسی است. نمونه‌های استخراج‌شده از این منطقه در مأموریت چانگ‌ئه-۶، بیش از ۲ کیلوگرم وزن داشت و از لایه‌های عمیق‌تر سطح برداشت شده بود. تحلیل این مواد با هوش مصنوعی نشان داد که تفاوت‌های بنیادینی میان ترکیبات سمت پنهان ماه و نیم‌کره نزدیک ماه وجود دارد.

این تفاوت‌ها شامل ضخامت پوسته، نسبت عناصر فلزی و آثار فعالیت آتشفشانی باستانی است که پیش‌تر تنها به صورت فرضی مطرح شده بود. محققان با ترکیب داده‌های مأموریت‌های پیشین مانند آپولو، لونا و چانگ‌ئه-۵ با تصاویر بسیار دقیق ماهواره ژاپنی «کاگویا» (Kaguya)، سیستمی توسعه دادند که قادر است طیف نوری بازتابیده از سطح ماه را به ترکیبات واقعی زیرسطحی ترجمه کند.

این سیستم، مبتنی بر مدل‌های یادگیری ماشین است که پیوند میان تغییرات شدت نور خورشید منعکس‌شده و حضور اکسیدهای معدنی خاص از قبیل آهن، تیتانیوم، آلومینیوم، منیزیم، کلسیم و سیلیکون را تشخیص می‌دهد. نتیجه این پردازش عظیم، تشکیل نخستین نقشه جهانی شناسایی شش اکسید اصلی سطح ماه با دقتی بی‌سابقه بود.

این نقشه، سه ناحیه اصلی شیمیایی ماه را با وضوحی چشمگیر تفکیک کرد:

• دریاهای بازالتی تیره (ماریا): نشانگر فعالیت‌های آتشفشانی قدیمی.
• پوسته روشن و کوهستانی ارتفاعات: حاوی مواد آلومینیومی غنی‌تر.
• حوضه قطب جنوب–آیتکن: با تنوع معدنی بالا و آثار ناشی از برخوردهای کیهانی.

آغاز عصر هوش مصنوعی در اکتشافات سیاره‌ای

تحلیل‌های تطبیقی این نقشه‌ها نه تنها ساختارهای سطحی را آشکار کرد، بلکه داده‌های محکمی ارائه داد که از نظریه‌های دیرینه درباره وجود اقیانوس ماگمای جهانی اولیه در ماه حمایت می‌کند. این اقیانوس ظاهراً پس از شکل‌گیری ماه بر اثر برخورد عظیم با زمین در چهار و نیم میلیارد سال پیش ایجاد شده و به طور ناهموار سرد شده است. این فرآیند نابرابر در سرد شدن، سبب به وجود آمدن تفاوت‌های شیمیایی و ساختاری عمده میان دو سمت ماه شده است.

به گفته پژوهشگران، یافته‌های جدید نه تنها به درک عمیق‌تر تکامل سطح‌شناسی ماه کمک می‌کند، بلکه برای تعیین محل‌های فرود در مأموریت‌های آینده چین و سایر کشورها به ماه، از جمله طرح‌های سرنشین‌دار آینده، اهمیت حیاتی دارد. این نقشه می‌تواند مسیرهای محتمل برای پایگاه‌های سطحی، محل‌های نمونه‌برداری بعدی و نقاط مناسب برای مشاهده پدیده‌های ژئوشیمیایی خاص را پیشنهاد دهد.

علاوه بر آن، محققان معتقدند رویکرد نوین ترکیب هوش مصنوعی با مشاهدات سنجش از دور می‌تواند در سایر اجرام منظومه شمسی نیز به کار رود؛ از جمله در مطالعه سطح مریخ، قمرهای مشتری مانند اروپا و گانیمد، یا حتی سیارک‌های نزدیک به زمین. این دستاورد نشان می‌دهد که فناوری هوش مصنوعی اکنون از تحلیل داده‌های زمینی فراتر رفته و به ابزاری کلیدی در اکتشافات فرازمینی تبدیل شده است.