Robotik
NASA wird Machine Learning nutzen, 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. Machine-Learning-Algorithmen werden dabei helfen, dass Erforschungsgeräte Bodenproben auf dem Mars analysieren und die relevantesten Daten an die NASA zurücksenden. 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, Machine Learning und künstliche Intelligenz zur Unterstützung der Suche nach Leben auf anderen Planeten zu nutzen, größtenteils von Erice Lyness, dem Leiter des Goddard Planetary Environments Lab bei der NASA, getroffen. Lyness musste Wege finden, um Aspekte der geochemischen Analyse von Proben, die in anderen Teilen unseres Sonnensystems genommen wurden, zu automatisieren. Lyness entschied, dass Machine Learning dabei 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 eventuell vorhandene Mikroben nicht durch das UV-Licht der Sonne getötet. Es ist daher möglich, dass der Rover lebende Bakterien finden könnte. Selbst wenn keine lebenden Bakterienproben gefunden werden, ist es möglich, dass der Bohrer fossilisierte Beweise für Leben auf dem Mars finden könnte, die aus früheren Epochen stammen, in denen der Planet lebensfreundlicher war. Die Proben, die der Bohrer des Rovers findet, werden einem Instrument namens Massenspektrometer zur Analyse übergeben.
Der Massenspektrometer dient dazu, die Verteilung der Masse in den Ionen innerhalb einer gegebenen Probe zu untersuchen. Dies geschieht durch die Verwendung eines Lasers auf der Bodenprobe, der die Moleküle in der Probe freisetzt, und dann die atomare Masse aus den verschiedenen Molekülen berechnet. Dieser Prozess erzeugt ein Massenspektrum, das die Forscher analysieren, um zu verstehen, warum die Muster der Spitzen, die sie im Spektrum sehen, auftreten. Es gibt jedoch ein Problem mit den Spektren, die der Massenspektrometer erzeugt. 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 Machine-Learning-Algorithmen könnten dabei helfen.
Die Forscher untersuchen ein Mineral namens Montmorillonit. Montmorillonit ist häufig im Marsboden zu finden, und die Forscher versuchen zu verstehen, wie das Mineral sich in einem Massenspektrum manifestieren könnte. Das Team der Forscher nimmt Montmorillonit-Proben, 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 werden den Forschern helfen, bedeutsame Muster aus dem Massenspektrometer zu extrahieren.
Wie Lyness gegenüber IEEE Spectrum zitiert wurde:
“Es könnte eine lange Zeit dauern, um 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, dass es nicht diese Art von Sache oder jene Art von Sache ist’, sie können dann schnell erkennen, was darin ist.”
Laut Lyness wird die ExoMars-Mission ein hervorragender Testfall für die AI-Algorithmen sein, die dazu dienen, die Massenspektren zu interpretieren, die durch die Proben erzeugt werden.
Es gibt andere mögliche Anwendungen für AI und Machine Learning im Bereich der Astrobiologie. Die Dragonfly-Drohne und möglicherweise eine weitere zukünftige Mission werden in größerer Entfernung von der Erde und in rauerer Umgebung operieren und es wird erforderlich sein, Aspekte der Navigation und der Datenübertragung zu automatisieren.
