Представьте, что вы хотите понять, как работает климат Земли, но у вас нет доступа к сложным климатическим моделям, а есть только данные с метеостанций и спутников. Звучит как невыполнимая задача? Учёные разработали систему, которая справляется с подобным вызовом на Марсе.

Новая разработка, получившая название MarsNet, представляет собой модель искусственного интеллекта, обученную исключительно на данных наблюдений марсианской атмосферы. В отличие от традиционных методов, которые опираются на комплексные численные модели общей циркуляции атмосферы (GCM — General Circulation Models) и затем «встраивают» в них данные с космических аппаратов (процесс, называемый реанализом), MarsNet действует иначе. Его «учебником» стали только реальные измерения, собранные с орбитальных аппаратов и марсоходов.

Здесь кроется главная особенность MarsNet. Там, где прямые наблюдения редки, традиционные модели GCM вынуждены полагаться на свои внутренние предсказания, которые могут быть неточными. MarsNet же, обучаясь на имеющихся данных, учится «додумывать» картину атмосферы, основываясь на уже известных паттернах. Это похоже на то, как художник, имея лишь несколько штрихов, может воссоздать целую картину, опираясь на своё понимание формы и света.

В основе MarsNet лежит сложная система «сеток» — четырёх вложенных икосаэдрических сеток (icosahedral meshes). Они покрывают всю планету с разной степенью детализации: от крупных участков размером около 1000 км до более мелких — около 120 км. Эти сетки накладываются на топографию Марса, учитывая данные, полученные, например, с помощью лазерного альтиметра MOLA (Mars Orbiter Laser Altimeter). Затем, в определённые моменты времени (например, двухчасовые интервалы), модель «считывает» информацию в узлах этих сеток.

Что именно она считывает? Это могут быть профили температуры, измеренные спектрометром атмосферы (MCS — Mars Climate Sounders), данные о поверхностном давлении с посадочных модулей (например, с аппарата Phoenix) или информация о замутнённости атмосферы (column opacity) с марсоходов, таких как Opportunity. Все эти данные служат «учебным материалом» для нейросети. Она обрабатывает их, предсказывает состояние атмосферы на два часа вперёд, а затем сравнивает свой прогноз с новыми поступающими данными, корректируя свои внутренние параметры.

Для представления состояния атмосферы в каждом узле сетки используются специальные математические функции — кубические B-сплайны (cubic B-spline functions). Они позволяют плавно описывать изменения параметров атмосферы, такие как температура и давление, в трёхмерном пространстве. Система использует гибридную координатную систему, которая переходит от следования рельефу на низких высотах к стандартным изобарическим поверхностям на больших высотах.

MarsNet также использует механизм, похожий на фильтр Калмана (Kalman filter), для объединения новых наблюдений с предыдущими предсказаниями. Это помогает системе оставаться устойчивой и не «переобучаться» на случайных флуктуациях в данных. Важно, что количество используемых наблюдений ограничено (до 16), чтобы избежать ситуации, когда плотный поток данных подавляет более общие закономерности.

Таким образом, MarsNet демонстрирует новый подход к изучению планетных атмосфер. Обучаясь только на наблюдениях, он потенциально может дать более точные предсказания в регионах с ограниченными данными, чем традиционные модели, и стать ценным инструментом для будущих миссий на Марс.