Generierung künstlicher Trainingsdaten für KI-Systeme

1965 schickte eine Raumsonde die ersten Bilder vom roten Planeten. Mittlerweile sind mehrere unbemannte Raumsonden auf dem Mars gelandet und haben viele Daten übermittelt, die den Forschungsteams Rückschlüsse auf die Beschaffenheit des Planeten erlauben. Besonders in der Planetengeologie soll in Zukunft stark auf den Einsatz von Künstliche Intelligenz gesetzt werden, um die gesammelten Daten schneller auszuwerten. Doch für das Training von neuronalen Netzen braucht es noch deutlich mehr Daten. Daher generierte das VRVis auf Basis von 3D-Scans irdischer Gesteinsformationen künstliche Trainingsdaten für die Marsoberfläche.

Eine Bildcollage, welche die Daten-Pipeline darstellt, wie Trainingsdaten für Künstliche Intelligenz hergestellt werden, am Beispiel von Meteroiden-Strahlenkegeln auf der Marsoberfläche.

Gute Trainingsdaten für Künstliche Intelligenz-Algorithmen sind oft Mangelwaren - speziell wenn es um extraterrestrische Daten geht. Die Abbildung zeigt die Pipeline, wie solche Daten erzeugt werden.

Eine Forscherin (links) und ein Forscher (rechts) stehen vor einem dicht beschriebenen Whiteboard und diskutieren eine Forschungsfrage.

Rebecca Nowak ist Expertin im Umgang mit Geodaten und unterstützt aktuelle Weltraummissionen mit ihrer Forschung in gleich mehreren VRVis-Projekten.

Die Geologie ist ein komplexes Gebiet und die Planetengeologie erst recht – kein Wunder, dass NASA und ESA immer mehr auf den Einsatz von Künstlicher Intelligenz setzen. Das Training eines guten KI-Algorithmus braucht jedoch viele Daten, die aufgrund der Erreichbarkeit der Objekte im Vorfeld einer Weltraummission gar nicht, oder nur sehr begrenzt verfügbar sind, da es keine oder nicht genug „Ground Truth“ gibt. Daher unterstützen wir die Planetenforschung, indem wir die für das Training neuronaler Netze notwendigen Daten künstlich erzeugen.

Auf Basis hochauflösender 3D-Scans irdischer Strahlenkegel (fächerförmige Strukturen mit Rillen, die sich ergeben, wenn ein Meteorit einschlägt, sog. „Shatter Cones“) generierten wir genau diese Gesteinsformationen künstlich für die Marsoberfläche. Dafür wurden Strahlenkegel randomisiert in das Geländemodell des Mars eingebettet. Schattierung, Färbung, Skalierung und auch Überlappungen wurden fotorealistisch simuliert. Die darauf trainierten Netzwerke sind ein wichtiger Beitrag dazu, um zukünftig den geologischen Wissenschaftsteams die Arbeit zu erleichtern, indem die immer weiter zunehmenden Bildaufnahmen effizienter durchforstet und dadurch schneller interessante geologische Stellen gefunden werden können.

Mars-DL - Simulation von Trainingsdaten für Deep Learning

Im Projekt "Mars-DL" wird erforscht, wie ein Deep Learning-System durch Objekt- und Mustererkennung die Arbeit von Planetenforscherinnen und -forschern unterstützen kann. VRVis hat für dieses Projekt die Funktionalität von PRo3D erweitert, um Shatter Cone-Trainingsbilder automatisch zu rendern.

Forschungsthemen