Labor und Techniken

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz und stützt sich auf das Lernen von Algorithmen aus ideal beschrifteten und großen Datensätzen. ML ist besonders wertvoll für Anwendungen, die komplexe Probleme und Datensätze behandeln, bei denen herkömmliche Ansätze nur schwach funktionieren. Darüber hinaus können ML-Techniken verwendet werden, um Strukturen und Muster in großen Datensätzen zu erkennen, die für Menschen schwer zu beurteilen sind.

Neben verschiedenen Vorteilen der Spektroskopie für die In-situ-Planetenerkundung ist die Datenanalyse von Techniken wie LIBS mit inhärenten Effekten konfrontiert, die als Matrixeffekte bekannt sind. Diese Effekte können eine eindeutige Klassifizierung und quantitative Vorhersage von Elementhäufigkeiten auf der Grundlage von LIBS-Daten behindern. Wir untersuchen, wie ML-Modelle am besten trainiert und kombiniert werden können, um Unsicherheiten bei der Vorhersage von Zusammensetzungen und bei der Klassifizierung von geologischen Zielen wie Gesteinen und Böden zu verringern. Darüber hinaus evaluieren wir in Anlehnung an die jüngsten Trends des wissenschaftlichen maschinellen Lernens (SciML), wie physikalisches Wissen über die Messmethode oder über experimentelle Faktoren in das Training einbezogen werden kann.

Ein weiterer Aspekt ist, dass Techniken wie LIBS und Raman-Spektroskopie immer häufiger für die Nutzlast extraterrestrischer Missionen ausgewählt werden. Infolgedessen wachsen die Datensätze kontinuierlich an, was es uns ermöglicht, statistische Methoden anzuwenden, um die wissenschaftliche Interpretation der Daten zu unterstützen.

Referenz:

K. Rammelkamp, O. Gasnault, O. Forni, C.C. Bedford, E. Dehouck, A. Cousin, J. Lasue, G. David, T. S. J. Gabriel, S. Maurice, R. C. Wiens, "Clustering Supported Classification of ChemCam Data From Gale Crater, Mars.", Earth and Space Science 8, e2021EA001903 (2021).

Datenfusion spektroskopischer Daten

Spektroskopische Daten von Techniken wie LIBS, Raman und NIR-Spektroskopie liefern ergänzende Informationen. Während LIBS die Elementzusammensetzung aufzeigen kann, liefern Raman- und NIR-Spektroskopie molekulare Informationen. Wenn sie an derselben Probe gemessen werden, kann die Kombination verschiedener spektroskopischer Techniken daher ein tieferes Verständnis der Probe vermitteln.

Spektroskopische Instrumente auf robotischen Erkundungsmissionen verfügen oft auch über eine Kamera, um den geologischen Kontext zu erfassen. Solche Bilder können relevante Informationen über das Ziel enthalten, wie z.B. die Textur und die Korngröße, die als zusätzliche Informationen für Klassifizierungs- und Regressionsmodelle dienen können. Wir untersuchen, wie verschiedene spektroskopische Daten am besten miteinander, aber auch mit visuellen Informationen kombiniert werden können und wie ML-Algorithmen auf diesen multimodalen Daten trainiert werden können, um den größten wissenschaftlichen Nutzen zu erzielen.

Referenz: