L’apprendimento profondo usato per mappare le tempeste sul pianeta Saturno


Un articolo pubblicato sulla rivista “Nature Astronomy” riporta l’applicazione di un algoritmo di apprendimento profondo (deep learning) per riconoscere tempeste sul pianeta Saturno creando una mappa delle loro componenti e caratteristiche. Ingo Waldmann dello University College London, in Inghilterra, e Caitlin Griffith dell’Università dell’Arizona, negli USA, hanno sviluppato l’algoritmo chiamato PlanetNet basato sul “motore” TensorFlow per analizzare i dati raccolti dalla sonda spaziale Cassini con un’efficienza maggiore delle tecniche tradizionali grazie al riconoscimento di caratteristiche ricorrenti attraverso vari insieme di dati multipli. PlanetNet potrebbe essere adattato per analizzare osservazioni di altri pianeti.

La missione della sonda spaziale Cassini è terminata con la sua distruzione nell’atmosfera del pianeta Saturno il 15 settembre 2017 ma ha lasciato come eredità enormi quantità di dati. Per questo motivo, le tecniche classiche usate per analizzarli possono richiedere tempi di elaborazione molto lunghi fornendo risultati non sempre accurati. Tra gli strumenti di Cassini c’era VIMS (Visible and Infrared Mapping Spectrometer), che nel febbraio 2008 raccolse osservazioni su una serie di tempeste ravvicinate su Saturno, indicata dalla freccia nell’immagine in basso (NASA,JPL,Space Science Institute). Si tratta di una situazione complessa su vasta scala e proprio per questo adatta a mettere alla prova un algoritmo di apprendimento profondo.

L’insieme di dati da analizzare è stato dato in pasto a PlanetNet, un algoritmo basato sul “motore” TensorFlow rilasciato da Google nel novembre 2015 come libreria libera / open source e disponibile su GitHub. In pochissimi anni TensorFlow è stato adattato ad applicazioni in campi molto diversi e anche nel campo dell’astronomia viene usato in vari modi, con PlanetNet per l’analisi di dati raccolti dallo strumento VIMS della sonda spaziale Cassini.

PlanetNet ha cercato nei dati segni di raggruppamento nella struttura delle nubi e nella composizione del gas. Nelle aree interessanti, i dati sono stati raffinati per eliminare incertezze ai limiti e ha generato un’analisi parallela delle proprietà spettrali e spaziali. I due flussi di dati sono stati ricombinati creando una mappa che presenta rapidamente e accuratamente le maggiori componenti delle tempeste di Saturno con una precisione senza precedenti mostrando le regioni dell’atmosfera del pianeta colpite e le nubi che contengono materiali spazzati via dagli strati inferiori dell’atmosfera da venti verticali.

Analisi precedenti dello stesso insieme di dati effettuate usando tecniche tradizionali avevano permesso di trovare tracce di ammoniaca nell’atmosfera di Saturno in nubi a forma di S. Esse sono presenti anche nella mappa creata da PlanetNet e indicate dalla freccia nell’immagine in alto (Cortesia I. P. Waldmann & C. A. Griffith, Nature Astronomy 2019. Tutti i diritti riservati). L’algoritmo ha riconosciuto quel tipo di formazione anche attorno a un’altra tempesta più piccola e ciò suggerisce che possa essere piuttosto comune.

Per validare l’accuratezza di PlanetNet sugli insiemi di dati raccolti dalla sonda spaziale Cassini i ricercatori hanno usato altri dati non inclusi nella fase di addestramento. L’intero insieme di dati è stato anche ruotato e ricampionato per creare dati sintetici da sottoporre a ulteriori test. In entrambi i casi PlanetNet ha ottenuto oltre il 90% di accuratezza nella classificazione.

La possibilità di analizzare grandi insiemi di dati in tempi più brevi permetterà di creare mappe migliori delle tempeste con risultati che includono anche elementi atmosferici che non erano stati riconosciuti con le tecniche di analisi classiche. PlanetNet può essere addestrato per lavorare con insiemi di dati raccolti nel corso di altre missioni spaziali offrendo un aiuto potenzialmente notevole nello studio di altri pianeti.

Leave a Reply

Your email address will not be published. Required fields are marked *