NASA skal bruge maskinlæring til at forbedre søgningen efter liv på Mars

Forskere ved NASA har været hårdt arbejdende på et pilot-AI-system, der er beregnet til at hjælpe med fremtidige opdagelsesmissioner til at finde beviser for liv på andre planeter i vores solsystem. Maskinlæringsalgoritmer vil hjælpe opdagelsesenhederne med at analysere jordprøver på Mars og returnere de mest relevante data til NASA. Pilotprogrammet er i øjeblikket planlagt til at blive testet under ExoMars-missionen, der skal lancere i midten af 2022.

Ifølge IEEE Spectrum var beslutningen om at bruge maskinlæring og kunstig intelligens til at hjælpe med søgningen efter liv på andre planeter storset af Erice Lyness, chef for Goddard Planetary Environments Lab ved NASA. Lyness havde brug for at finde måder at automatisere aspekter af geo-kemiske analyser af prøver taget i andre dele af vores solsystem. Lyness besluttede, at maskinlæring kunne hjælpe med at automatisere mange af de opgaver, som opdagelsesfartøjer som Mars-roverne må udføre, herunder indsamling og analyse af martiansk jord.

ExoMars-roveren Roslanind Franklin vil være i stand til at bore mindst to meter dybt ind i den martianske jord. På denne dybde vil eventuelle mikrober, der lever der, ikke være blevet dræbt af solens UV-lys. Dette gør det muligt, at roveren kan finde levende bakterier. Selv hvis der ikke findes levende bakterieprøver, er det muligt, at boremaskinen kan finde fossiliseret bevis for liv på Mars, som er bevaret fra tidligere epoker, hvor planeten var mere gæstfri over for liv. Prøverne, som roverens boremaskine finder, vil blive givet til et instrument kaldet en masse-spektrometer til formålet med at analysere.

Formålet med masse-spektrometren er at studere fordelingen af masse i ionerne i en given prøve. Dette opnås ved at bruge en laser på jordprøven, som frigør molekyler i jordprøven, og derefter beregne den atomare masse fra de forskellige molekyler. Dette proces producerer et masse-spektrum, som forskerne vil analysere for at afgøre, hvorfor mønstrene af picke, de ser i spektret, kan optræde. Der er dog et problem med de spektre, der genereres af masse-spektrometren. Forskellige forbindelser producerer en bred vifte af forskellige spektre. Det er et puslespil at analysere et masse-spektrum og bestemme, hvilke forbindelser der er i prøven, men maskinlæringsalgoritmer kan måske hjælpe.

Forskere studerer et mineral kaldet montmorillonite. Montmorillonite findes ofte i den martianske jord, og forskerne sigter mod at forstå, hvordan mineralen kan manifestere sig i et masse-spektrum. Forskerholdet inkluderer montmorillonite-prøver for at se, hvordan outputtet fra masse-spektrometren ændrer sig, og giver dem hints om, hvordan mineralen ser ud i et masse-spektrum. AI-algoritmerne vil hjælpe forskerne med at trække meningsfulde mønstre ud af masse-spektrometren.

Ifølge Lyness, som citeres af IEEE Spectrum:

“Det kan tage lang tid at virkelig bryde ned et spektrum og forstå, hvorfor man ser picke ved bestemte masse i spektret. Så alt, hvad man kan gøre for at pege videnskabsmænd i en retning, der siger, ’Bekymrer dig ikke, jeg ved, det er ikke denne slags eller den slags’, kan de hurtigere identificere, hvad der er der.”

Ifølge Lyness vil ExoMars-missionen være et fremragende testtilfælde for de AI-algoritmer, der er designet til at hjælpe med at fortolke de masse-spektre, der genereres af prøver.

Der er andre mulige anvendelser for AI og maskinlæring i feltet astrobiologi. Dragonfly-drone og muligvis en anden fremtidig mission vil operere længere væk fra Jorden og i hårdere miljøer og vil kræve automatisering af aspekter af navigation og dataoverførsel.