嫦娥六号补上关键“碎片”，我国团队成功绘制最精确月球化学成分图
速读：为破解这一难题，研究团队引入了残差卷积神经网络这一人工智能深度学习（AI）模型，将包括嫦娥六号样本在内的所有已知月球采样点数据输入模型，通过交叉验证反复检验优化，让该模型在月球正面与背面样本的共同约束下，深度学习光谱特征与化学成分之间的映射关系。
基于新模型，研究团队绘制出由月球背面样本校正的首幅高分辨率月球主量元素氧化物含量分布图，铁、钛、铝、镁、钙、硅等关键元素氧化物的分布清晰可见，诸多新发现刷新了人类对月球背面的成分认知。
IT之家 5 月 21 日消息，据“中科院之声”公众号，近日，中国科学院上海技术物理研究所领衔的研究团队，利用嫦娥六号任务从月球背面带回的宝贵样本，为月球化学“拼图”补上了关键“碎片”， 成功绘制出迄今为止最精确的月球全球化学成分图 。
IT之家从官方介绍获悉，这项研究为未来的月球探测，特别是对月球背面最大、最古老的“南极-艾特肯盆地”的探索，提供了全新“导航图”。
如何让月球背面的样本校准覆盖月球全球的遥感数据？科研人员采用了一套巧妙的策略。
不同的化学成分就像不同的“指纹”，会留下独特的光谱痕迹。研究团队首先获取了月球轨道器拍摄的高分辨率 多光谱图像 ，捕捉了月球表面在不同波长的光谱特征。
但光谱“指纹”与精确的化学成分含量（如铁、钛等主量元素氧化物的含量）之间，存在极其复杂的非线性关系，无法通过简单计算直接推导。
为破解这一难题，研究团队引入了残差卷积神经网络这一人工智能深度学习（AI）模型，将包括嫦娥六号样本在内的所有已知月球采样点数据输入模型，通过交叉验证反复检验优化，让 该模型在月球正面与背面样本的共同约束下 ，深度学习光谱特征与化学成分之间的映射关系。
经过“特训”的 AI 模型，如同掌握了全新解题逻辑的“学霸”，对全月球遥感数据进行解析时，就能更精准地“解码”出月表风化层的化学成分，让遥感数据的解读精度实现质的提升。
基于新模型，研究团队绘制出由月球背面样本校正的首幅高分辨率月球主量元素氧化物含量分布图， 铁、钛、铝、镁、钙、硅等关键元素氧化物的分布清晰可见 ，诸多新发现刷新了人类对月球背面的成分认知。