Descobertas discrepâncias nos catálogos de crateras lunares da IA

Um novo estudo liderado pelo Southwest Research Institute comparou oito catálogos de crateras lunares gerados por IA, descobrindo que muitas das suas métricas de desempenho publicadas caem drasticamente quando as bases de dados são avaliadas usando os mesmos padrões científicos.

Um novo estudo liderado pelo Southwest Research Institute comparou oito catálogos de crateras lunares gerados por IA, descobrindo que muitas de suas métricas de desempenho publicadas caem drasticamente quando os bancos de dados são avaliados usando os mesmos padrões científicos. Crateras de impacto são a característica geológica dominante na Lua e em muitos outros mundos sólidos.

Robbins, da Divisão de Ciência e Exploração do Sistema Solar do SwRI em Boulder, Colorado, e principal autor do estudo. Mas a nossa análise mostra que os investigadores não devem assumir que um catálogo de crateras gerado por IA está pronto para uso científico apenas com base nas suas métricas publicadas.

As crateras candidatas devem estar no lugar certo e ser dimensionadas com precisão para serem úteis para muitas aplicações científicas planetárias. Se uma cratera for deslocada, duplicada ou dimensionada incorretamente, isso pode afetar a ciência que depende dessas métricas.

Por exemplo, se uma superfície com uma idade modelo de 1 milhão de anos exigir um número x de crateras e a IA duplicar acidentalmente essas crateras, de repente o modelo duplicaria a idade projetada da superfície. Quase todos os bancos de dados com métricas publicadas tiveram desempenho pior do que o relatado, com alguns valores caindo mais de um fator de 10.

Um catálogo pode parecer aceitável a partir de um número global, mas quando o dividimos por tamanho de cratera, pode ser útil para uma questão, mas não fiável para muitas outras.

Fonte