NASA setzt auf Maschinelles Lernen, um die Suche nach außerirdischem Leben auf dem Mars zu verbessern

Forscher bei der NASA arbeiten an einem Pilot-AI-System, das zukünftigen Erforschungsmissionen helfen soll, Beweise für Leben auf anderen Planeten in unserem Sonnensystem zu finden. Maschinelles Lernen hilft Erforschungsgeräten, Bodenproben auf dem Mars zu analysieren und die relevantesten Daten an die NASA zurückzusenden. Das Pilotprogramm ist derzeit für einen Testlauf während der ExoMars-Mission geplant, die im Sommer 2022 starten soll.

Wie IEEE Spectrum berichtet, wurde die Entscheidung, Maschinelles Lernen und künstliche Intelligenz zur Unterstützung der Suche nach Leben auf anderen Planeten zu verwenden, größtenteils von Erice Lyness getrieben, dem Leiter des Goddard Planetary Environments Lab bei der NASA. Lyness musste Wege finden, um Aspekte der geochemischen Analyse von Proben aus anderen Teilen unseres Sonnensystems zu automatisieren. Lyness entschied, dass Maschinelles Lernen helfen kann, viele der Aufgaben zu automatisieren, die Erforschungskraft wie die Mars-Rover durchführen müssen, einschließlich der Sammlung und Analyse von Mars-Bodenproben.

Der ExoMars-Rover Rosalind Franklin wird in der Lage sein, mindestens zwei Meter tief in den Marsboden zu bohren. In dieser Tiefe werden keine Mikroorganismen durch das UV-Licht der Sonne getötet. Es ist möglich, dass der Rover lebende Bakterien finden kann. Selbst wenn keine lebenden Bakterienproben gefunden werden, ist es möglich, dass der Bohrer fossilisierte Beweise für Leben auf dem Mars finden kann, die aus früheren Epochen stammen, als der Planet lebensfreundlicher war. Die Proben, die der Bohrer des Rovers findet, werden einem Instrument namens Massenspektrometer zur Analyse gegeben.

Das Massenspektrometer dient dazu, die Verteilung der Masse in den Ionen in einer gegebenen Probe zu untersuchen. Dies geschieht durch die Verwendung eines Lasers auf der Bodenprobe, der Moleküle in der Probe freisetzt, und dann die atomare Masse aus den verschiedenen Molekülen berechnet. Dieser Prozess erzeugt ein Massenspektrum, das Forscher analysieren, um zu bestimmen, warum die Muster der Spitzen, die sie im Spektrum sehen, auftreten. Es gibt jedoch ein Problem mit den Spektren, die vom Massenspektrometer erzeugt werden. Verschiedene Verbindungen erzeugen eine Vielzahl von verschiedenen Spektren. Es ist ein Rätsel, ein Massenspektrum zu analysieren und zu bestimmen, welche Verbindungen in der Probe enthalten sind, aber Maschinelles Lernen kann helfen.

Die Forscher untersuchen ein Mineral namens Montmorillonit. Montmorillonit wird häufig im Marsboden gefunden, und die Forscher versuchen zu verstehen, wie das Mineral sich in einem Massenspektrum manifestieren kann. Das Team der Forscher fügt Montmorillonitproben hinzu, um zu sehen, wie sich die Ausgabe des Massenspektrometers ändert, was ihnen Hinweise darauf gibt, wie das Mineral in einem Massenspektrum aussieht. Die AI-Algorithmen helfen den Forschern, sinnvolle Muster aus dem Massenspektrometer zu extrahieren.

Wie Lyness von IEEE Spectrum zitiert wird

„Es kann eine lange Zeit dauern, ein Spektrum wirklich zu analysieren und zu verstehen, warum man Spitzen bei bestimmten Massen im Spektrum sieht. Also kann man alles tun, um Wissenschaftlern eine Richtung zu zeigen, die sagt: ‚Machen Sie sich keine Sorgen, ich weiß, es ist nicht diese Art von Sache oder jene Art von Sache‘, sie können dann schnell bestimmen, was darin ist.“

Laut Lyness wird die ExoMars-Mission ein hervorragender Testfall für die AI-Algorithmen sein, die entwickelt wurden, um die Massenspektren zu interpretieren, die von den Proben erzeugt werden.

Es gibt andere mögliche Anwendungen für künstliche Intelligenz und Maschinelles Lernen im Bereich der Astrobiologie. Die Dragonfly-Drohne und möglicherweise eine weitere zukünftige Mission werden weiter von der Erde entfernt und in rauerem Umfeld operieren und es wird erforderlich sein, Aspekte der Navigation und der Datenübertragung zu automatisieren.