Labor und Techniken

Das maschinelle Lernen (ML) ist ein Forschungsgebiet im Bereich der künstlichen Intelligenz, in dem Algorithmen mithilfe großer Datensätze trainiert werden, um Vorhersagen über unbekannte Daten zu machen. ML ist besonders nützlich für Anwendungen, in denen komplexe Datensätze analysiert werden müssen und herkömmliche Ansätze diese Komplexität nicht abbilden können. Dazu gehört auch die Detektion von Strukturen und Mustern in großen Datensätzen, die für Menschen schwierig zu erkennen sind.

Im Bereich der in-situ-Erkundung von planetaren Oberflächen bietet LIBS eine Reihe von praktischen Vorteilen gegenüber anderen Messmethoden – die quantitative Analyse der Daten zur Bestimmung der Elementkonzentrationen kann jedoch durch sogenannte Matrixeffekte komplex sein. Wir untersuchen, wie ML-Modelle so trainiert und kombiniert werden können, dass Unsicherheiten bei der quantitativen Datenanalyse und Klassifizierung von geologischen Proben minimiert werden. Darüber hinaus erforschen wir, wie Wissen über die physikalischen Prozesse der Messmethode in das Training von ML-Modellen einbezogen werden kann.

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 (2021), "Clustering Supported Classification of ChemCam Data from Gale Crater, Mars.", Earth and Space Science 8, e2021EA001903, https://doi.org/10.1029/2021EA001903.

Datenfusion spektroskopischer Daten

Bei der Analyse von geologischen Proben liefern spektroskopische Daten von Messtechniken wie LIBS, Raman- und NIR-Spektroskopie einander ergänzende Informationen. Während mithilfe von LIBS die elementare Zusammensetzung der Proben untersucht werden kann, liefern Raman- und NIR-Spektroskopie Informationen über Moleküle und Strukturen. Aus der Kombination von komplementären Messergebnissen kann so ein genaueres Bild der Proben gezeichnet werden.

Darüber hinaus liefern Bilddaten ergänzend zu spektroskopischen Daten weitere Informationen über den geologischen Kontext der Messung, weshalb spektroskopische Instrumente in robotischen Weltraummissionen häufig in Kombination mit Kameras verwendet werden. Bilddaten können zusätzlich relevante Informationen über die Probe, wie z.B. die Textur und Korngröße, liefern, die auch in den Klassifizierungs- und Regressionsmodellen verwendet werden können.

Um den Mehrwert solcher kombinierten Messungen zu nutzen, untersuchen wir, wie verschiedene Datenprodukte am besten zusammengeführt werden können, um ML-Algorithmen zu trainieren und so den größtmöglichen wissenschaftlichen Nutzen zu erzielen.

Referenz: