NASA v současné době využívá umělou inteligenci pro kosmickou vědu

V prohlášení, které NASA vydala minulý měsíc, uvedla, že umělá inteligence má potenciál pomoci při řešení některých z největších problémů kosmické vědy. Umělá inteligence by mohla být použita k vyhledávání života na jiných planetách nebo identifikaci asteroidů. Vědci z NASA spolupracují s lídry z oboru umělé inteligence, jako jsou Intel (INTC ), IBM a Google. Společně mohou aplikovat pokročilé počítačové algoritmy na řešení některých z těchto problémů.

Existují bestimmé technologie umělé inteligence, na které NASA spoléhá, jako je strojové učení, pro interpretaci dat. Tato data budou poté shromážděna teleskopy, včetně dalekohledu Jamese Webba nebo satelitu Transiting Exoplanet Survey, v某些 okamžik budoucnosti.

Giada Arney, astrobioložka z Goddardova kosmického střediska NASA v Greenbeltu, Marylandu, doufá, že strojové učení může pomoci jí a jejímu týmu najít některé indicie života v datech, které budou shromážděny teleskopy a observatořemi.

“Tyto technologie jsou velmi důležité, zejména pro velké datové sady a zejména v oblasti exoplanet,” uvedla Arney ve svém prohlášení. “Protože data, která budeme získávat z budoucích pozorování, budou řídká a šumová. Bude velmi obtížné je pochopit. Používání těchto nástrojů má velký potenciál nám pomoci.”

NASA provozuje osm týdenní program každý léto, který spojuje lídry z technologického a kosmického sektoru, nazvaný Frontier Development (FDL).

Shawn Domagl-Goldman je astrobiolog z Goddardova kosmického střediska NASA.

“FDL se cítí jako dobré muzikanti s různými nástroji, kteří se sejdou na jam session v garáži, najdou něco opravdu cool a řeknou: ‘Hej, máme tady kapelu,'” uvedl ve svém prohlášení.

V roce 2018 tým FDL, který vedli Domagal-Goldman a Arney, vyvinul techniku strojového učení, která spoléhá na neuronové sítě. Analýzují obrázky a identifikují chemii exoplanet pomocí vlnových délek světla emitovaného nebo absorbovaného molekulami v jejich atmosféře.

Pomocí této nové techniky mohli výzkumníci identifikovat různé molekuly v atmosféře exoplanety WASP-12b. Tato technika to udělala přesněji než jiné metody.

Podle Domagala-Goldmana může neuronová síť také identifikovat, kdy chybí data. Bayesovská technika, jak se jí říká, může také říci vědcům, jak jistá je ohledně své předpovědi.

“V místech, kde data nebyla dostatečně dobrá, aby poskytla opravdu přesný výsledek, byl tento model lepší v tom, že nevěděl, zda je jistý ohledně své odpovědi, což je opravdu důležité, pokud chceme těmto předpovědím důvěřovat,” uvedl Domagal-Goldman.

Bayesovská technika se stále vyvíjí, ale jiné technologie FDL se používají v reálném světě. V roce 2017 byl vyvinut program strojového učení účastníky FDL, který byl schopen rychle vytvářet 3D modely blízkých asteroidů. Mohl také přesně odhadnout jejich tvary, velikosti a rotace. Tyto informace jsou užitečné pro NASA k detekci a odklonění asteroidů, které ohrožují Zemi.

Astronomové tradičně používají jednoduchý software pro vytváření 3D modelů, který analyzuje radarová měření pohybujícího se asteroidu. Poté poskytuje užitečné informace, které pomáhají vědcům odvodit jeho fyzické vlastnosti na základě změn v radarovém signálu.

Bill Diamond je prezident a generální ředitel SETI.

“Schopný astronom s standardními výpočetními zdroji by mohl vytvořit tvar jednoho asteroidu za jeden až tři měsíce,” uvedl Diamond. “Takže otázka pro výzkumný tým byla: Můžeme to urychlit?”

Tým, složený ze studentů z Francie, Jižní Afriky a Spojených států, spolu s mentory z akademické sféry a technologické společnosti Nividia, vyvinul algoritmus, který byl schopen renderovat asteroid za pouhé čtyři dny. Tato technika se目前 používá astronomy v observatoři Arecibo na Portoriku a provádí reálné modelování tvarů asteroidů.

Výzkumníci také navrhují, aby technologie umělé inteligence byly zabudovány do budoucích kosmických lodí, a to by umožnilo kosmickým lodím dělat rozhodnutí v reálném čase.

“Metody umělé inteligence nám pomohou uvolnit zpracování z našich mozků tím, že provedou velkou část počáteční práce na obtížných úkolech,” uvedla Arney. “Ale tyto metody nebudou nahrazovat lidi v blízké budoucnosti, protože budeme stále potřebovat kontrolovat výsledky.”