«Мы смогли использовать ИИ для значительного ускорения работы учёных, повышая продуктивность и позволяя отвечать на вопросы, которые иначе было бы непрактично решать», – пояснил Зак Ян, аспирант Технологического института Джорджии и ведущий автор исследования.

Команда применила метод трансферного обучения, начав с модели, предварительно обученной на наборе данных, содержащем изображения повседневных объектов, и адаптировав её под особенности Титана. Этот подход не только сэкономил время, но и продемонстрировал, как планетологи могут использовать передовые технологии ИИ даже при ограниченных вычислительных ресурсах.

Потенциал разработанной модели выходит далеко за пределы изучения Титана. «Многие другие объекты Солнечной системы имеют облачные образования, представляющие интерес для исследователей планет, включая Марс и Венеру. Подобная технология может также применяться для изучения вулканических потоков на Ио, гейзеров на Энцеладе, линий на Европе и кратеров на твёрдых планетах и спутниках», – добавил Ян.

Использование графических процессоров NVIDIA сделало возможной такую высокую скорость обработки данных. Они позволили анализировать изображения высокого разрешения и генерировать маски облаков с минимальной задержкой – задача, с которой традиционное оборудование справилось бы с трудом.

Будущие космические миссии, такие как Europa Clipper и Dragonfly от NASA, предоставят огромные объёмы данных. Искусственный интеллект сможет помочь в их обработке, анализируя информацию на борту космического аппарата в режиме реального времени и даже приоритизируя наиболее важные находки.