NASA aktuálně využívá umělou inteligenci pro vesmírnou vědu

V prohlášení vydaném NASA minulý měsíc uvedla agentura, že umělá inteligence má potenciál pomoci při řešení některých z největších problémů ve vesmírné vědě. Umělá inteligence by mohla být využita k vyhledávání života na jiných planetách nebo identifikaci asteroidů. Vědci z NASA spolupracují s lídry ve světě umělé inteligence, jako jsou Intel, IBM a Google. Společně mohou aplikovat pokročilé počítačové algoritmy na řešení některých z těchto problémů. 

Existují určité technologie umělé inteligence, na které se NASA spoléhá, jako je strojové učení, pro interpretaci dat. Tato data budou poté shromažďována teleskopy, včetně teleskopu Jamese Webba nebo družice Transiting Exoplanet Survey, v某 okamžiku v budoucnosti.

Giada Arney, astrobioložka z Goddardova vesmírného střediska NASA v Greenbeltu, Marylandu, doufá, že strojové učení může pomoci jí a jejímu týmu najít nějaké indicie života v datech, která budou shromažďována 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 obrovský potenciál nám pomoci.”

NASA provozuje osm týdenní program každým létem, který spojuje lídry v technologickém a vesmírném sektoru, nazvaný Frontier Development (FDL).

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

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

V roce 2018 vyvinul tým FDL, který byl mentorován Domagl-Goldmanem a Arney, 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. Technika to udělala přesněji než jiné metody. 

Podle Domagl-Goldmana může neuronová síť také identifikovat, kdy chybí data. Bayesian technik, 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 odpověď správná, což je opravdu důležité, pokud chceme důvěřovat těmto předpovědím,” uvedl Domagl-Goldman.

Technika Bayesian je stále ve vývoji, ale jiné technologie FDL se používají v reálném světě. V roce 2017 vyvinuli účastníci FDL program strojového učení, který byl schopen rychle vytvářet 3D modely blízkých asteroidů. Mohl také přesně odhadnout jejich tvary, velikosti a rotace. Tento typ informací je užitečný pro NASA k detekci a odklonění asteroidů, které ohrožují Zemi. 

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

Bill Diamond je prezident a generální ředitel SETI. 

“Zkušený 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 je schopen vykreslit asteroid za pouhé čtyři dny. Technika se aktuálně používá astronomy v observatoři Arecibo na Portoriku a provádí reálné modelování tvaru asteroidů. 

Výzkumníci také navrhují, aby technologie umělé inteligence byly integrovány do budoucích vesmírných lodí, což by umožnilo vesmírným lodím dělat rozhodnutí v reálném čase.

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