土星的体积是地球的数倍，所以土星上的风暴自然也更凶猛，会持续数月、覆盖数千英里，产生的闪电烈度也要高数千倍。
虽然科学家们可以获得这些风暴相关的海量数据，但是数据规模过于庞大，传统方法不足以支持对土星天气系统进行全面研究。
如今，人工智能已被用于更好地解读这一信息宝库。伦敦大学学院和亚利桑那大学的研究人员正在研究由美国航空与航天局卡西尼号太空船采集的数据，该太空船利用 13 年时间对土星进行研究，之后于 2017 年在土星大气中解体。
Nature Astronomy 最近发布了一篇文章，描述了科学家的深度学习模型如何揭露之前未被发现的土星气象特征，并提供更加清晰的全面的土星风暴系统视图。
除了提供对土星的新发现之外，人工智能也可以用来揭示太阳系内外各行星的行为。
伦敦大学学院太阳系外行星数据中心副主任 Ingo Waldmann 说：“多年以来我们从周围的行星收集数据，但是多数数据都只是被存在档案中，没有被查看过。”“至今为止，人们很难看到这个全球数据集的整体情况，因为人们一直以来都手动分析数据。”
研究人员使用了最先进的数据中心 GPU-NVIDIA V100 GPU，对他们的神经网络进行训练和推理。
拨云见日
Waldmann 说，研究其他行星大气情况的科学家一般采取下述两种策略中的一种。一种策略是对感兴趣的一个小区域进行详细人工分析，这个过程可能花费一名博士生数年的时间；另一种策略是简化数据，得到粗略、解析度低的研究结果。
Waldmann 说：“物理学相当复杂，所以数据分析要么特别陈旧，要么特别简单。”“使用大数据方法对旧问题进行分析，就可以做很多科学研究。”
因为卡西尼号太空船的帮助，研究人员可以获得数 TB 的数据。Waldmann 和其联合作者、来自亚利桑那大学的 Caitlin Griffith 主要采用非监督式学习方法，使用太空船上测绘光谱仪收集的数据，对他们的深度学习模型进行训练。
Waldmann 说，这些数据通常是在执行行星探测任务时收集的，便于他们应用人工智能模型来研究其他行星。
研究人员在对深度学习模型进行训练时，发现单个 V100 GPU 的速度比 CPU 快 30 倍。他们现在转而使用多个 GPU 的集群。Waldmann 说，在推理上，GPU 的速度是 CPU 的 2 倍。
使用人工智能模型，研究人员能够对 2008 年土星南半球持续数月的雷暴进行分析。科学家之前从这场雷暴的卫星图像中监测到了一块明亮的氨云。而氨云常见于木星，少见于土星。
Waldmann 和 Griffith 的神经网络发现，肉眼可见的氨云只是隐藏在其他薄薄云层和气体层下的“巨大上升流”的一角。
Waldmann 说：“肉眼可见的只是氨特征最强的那一小部分。”“实际上只是冰山一角而已。其余部分肉眼看不到，但是肯定存在。”
超越无限
对于 Waldmann 这样的研究人员来说，这些发现仅仅是第一步。深度学习能够以前所未有的方式向行星科学家提供广度和深度，同时帮助获得覆盖广阔地理区域的详细分析。
Waldmann 说，“它可以快速向你呈现出全局图，并且告诉你它们是如何联系在一起的。”然后，研究人员可以对某个系统中有趣的个别位置进行查看，而不是盲目搜寻。”
更好地了解土星大气情况，可以帮助科学家分析太阳系的行为，并提供帮助推断其他恒星周围行星情况的见解。
目前，研究人员正在扩展他们的模型，通过迁移学习来研究火星、金星和地球的特征。研究人员惊奇地发现，迁移学习在行星之间非常有用。
金星和地球的大小几乎相同，但是金星却不存在全球的板块构造。通过与巴黎天文台合作，该团队正在启动一个项目，研究金星的云结构和行星表面，以了解其缺少构造板块的原因。
带有火星项目，研究人员不关注大气特征，而是重点研究行星表面。火星侦查轨道器传回的数据可生成一个整体分析报告，科学家可据此推断出古代水流最有可能出现的位置，并决定下一个火星探测器着陆点。
Waldmann 表示，基础模式识别算法可以进一步扩展。在地球上，它可以重新用于发现非法出海渔船，以保卫环境保护区。穿越太阳系来到木星，迁移学习方法可以训练人工智能模型来分析该行星的风暴随时间变化的情况。
Waldmann 表示，用来训练的数据相对容易获得，为研究人员提供了大展身手的机会和空间。
“这就是行星科学的魅力所在，”他说。“所有行星的所有数据都是公开的。”
主图片拍摄于 2011 年，展示了卡西尼号太空船在土星上观察到的最大风暴。（图片来源：NASA/JPL-Caltech/SSI）