NASA bruger i øjeblikket A.I. til rumvidenskab

I en erklæring udgivet af NASA for sidste måned, sagde agenturet, at A.I. har potentialet til at hjælpe med at løse nogle af de største problemer i rumvidenskab. A.I. kunne bruges til at søge efter liv på andre planeter eller identificere asteroider. NASA-forskere samarbejder med ledere i AI-industrien, som Intel (INTC ), IBM og Google. Sammen kan de anvende avancerede computeralgoritmer til at løse nogle af disse problemer.

Der er visse A.I.-teknologier, som NASA afhænger af, såsom maskinlæring, til at fortolke data. Disse data vil derefter blive indsamlet af teleskoper, herunder James Webb Space Telescope eller Transiting Exoplanet Survey Satellite, på et tidspunkt i fremtiden.

Giada Arney, en astrobiolog ved NASA’s Goddard Space Flight Center i Greenbelt, Maryland, håber, at maskinlæring kan hjælpe hende og hendes team med at finde nogen tegn på liv i data, der vil blive indsamlet af teleskoper og observatorier.

“Disse teknologier er meget vigtige, især for store datasæt og især i exoplanetfeltet,” sagde Arney i erklæringen. “Fordi data, vi vil få fra fremtidige observationer, vil være sparsomme og støjende. Det vil være meget svært at forstå. Så ved at bruge disse værktøjer har vi så meget potentiale til at hjælpe os.”

NASA kører et otte ugers program hver sommer, der bringer ledere fra teknologi- og rumsektorerne sammen, kaldet Frontier Development (FDL).

Shawn Domagl-Goldman er en NASA Goddard-astrobiolog.

“FDL føles som en gruppe rigtig gode musikere med forskellige instrumenter, der kommer sammen for en jam-session i garagen, finder noget rigtig cool og siger: ‘Hey, vi har en band her,'” sagde han i erklæringen.

Tilbage i 2018 udviklede et FDL-hold, der blev vejledt af Domagal-Goldman og Arney, en maskinlæringsmetode, der afhænger af neurale netværk. De analyserer billeder og identificerer kemien i exoplaneter ved at bruge bølgelængderne af lys, der udsendes eller absorberes af molekyler i deres atmosfære.

Ved at bruge denne nye metode kunne forskerne identificere forskellige molekyler i atmosfæren på WASP-12b, en exoplanet. Metoden gjorde dette mere præcist end andre metoder.

Ifølge Domagal-Goldman kan neuralt netværk også identificere, når der er mangel på data. Den bayesianske metode, som den kaldes, kan også fortælle videnskabsmænd, hvor sikker den er på sin prædiction.

“På steder, hvor data ikke var gode nok til at give et rigtig nøjagtigt resultat, var denne model bedre til at vide, at den ikke var sikker på svaret, hvilket er rigtig vigtigt, hvis vi skal stole på disse forudsigelser,” sagde Domagal-Goldman.

Den bayesianske metode er stadig under udvikling, men andre FDL-teknologier bliver brugt i den virkelige verden. I 2017 udviklede FDL-deltagere et maskinlæringsprogram, der kunne hurtigt oprette 3D-modeller af nærliggende asteroider. Det kunne også nøjagtigt estimere deres former, størrelser og rotationshastigheder. Denne type information er nyttig for NASA til at opdage og afværge asteroider, der truer Jorden.

Astronomer bruger traditionelt simpel computersoftware til at oprette 3D-modeller, der analyserer radar-målinger af en flyvende asteroide. Denne software giver nyttig information, der hjælper videnskabsmænd med at slutte om dens fysiske egenskaber på grund af ændringer i radar-signalet.

Bill Diamond er præsident og administrerende direktør for SETI.

“En dygtig astronom med standard computerressourcer kunne forme en enkelt asteroide på en til tre måneder,” sagde Diamond. “Så spørgsmålet for forskningsteamet var: Kan vi accelerere det?”

Teamet, der bestod af studerende fra Frankrig, Sydafrika og USA, samt mentorer fra akademiet og teknologivirksomheden Nividia, udviklede en algoritme, der kunne gengive en asteroide på så kort tid som fire dage. Teknikken bliver i øjeblikket brugt af astronomer på Arecibo-observatoriet i Puerto Rico, og den udfører realtidsformodellering af asteroiderne.

Forskere foreslår også, at A.I.-teknologier skal indbygges i fremtidige rumfartøjer, og at det vil tillade rumfartøjet at træffe beslutninger i realtid.

“A.I.-metoder vil hjælpe os med at frigøre bearbejdningseffekt fra vores egne hjerner ved at udføre en masse af det indledende arbejde på vanskelige opgaver,” sagde Arney. “Men disse metoder vil ikke erstatte mennesker på noget tidspunkt, fordi vi stadig vil behøve at kontrollere resultaterne.”