Η NASA Χρησιμοποιεί Τώρα Την Τεχνητή Νοημοσύνη για την Επιστήμη του Διαστήματος

Σε μια δηλώση που εξέδωσε η NASA τον προηγούμενο μήνα, ο οργανισμός ανέφερε ότι η Τεχνητή Νοημοσύνη έχει το δυναμικό να βοηθήσει στην εργασία σε κάποια από τα μεγαλύτερα προβλήματα της επιστήμης του διαστήματος. Η Τεχνητή Νοημοσύνη θα μπορούσε να χρησιμοποιηθεί για την αναζήτηση ζωής σε άλλους πλανήτες ή για την αναγνώριση αστεροειδών. Οι επιστήμονες της NASA συνεργάζονται με ηγέτες της βιομηχανίας Τεχνητής Νοημοσύνης, όπως η Intel, η IBM και η Google. Μαζί, μπορούν να εφαρμόσουν προηγμένα αλγορίθμους υπολογιστή για να λύσουν κάποια από αυτά τα προβλήματα. 

Υπάρχουν ορισμένες τεχνολογίες Τεχνητής Νοημοσύνης στις οποίες η NASA βασίζεται, όπως η μηχανική μάθηση, για την ερμηνεία δεδομένων. Αυτά τα δεδομένα θα συλλεχθούν από τηλεσκόπια, συμπεριλαμβανομένου του τηλεσκοπίου James Webb Space ή του δορυφόρου Transiting Exoplanet Survey, σε κάποιο σημείο στο μέλλον.

Η Giada Arney, αστροβιολόγος στο Κέντρο Πτήσεων του Διαστήματος Goddard της NASA στο Greenbelt, Maryland, ελπίζει ότι η μηχανική μάθηση μπορεί να βοηθήσει την ίδια και την ομάδα της να βρουν κάποια ένδειξη ζωής στα δεδομένα που θα συλλεχθούν από τα τηλεσκόπια και τα αστεροσκοπεία. 

“Αυτές οι τεχνολογίες είναι πολύ σημαντικές, ιδιαίτερα για μεγάλα σύνολα δεδομένων και ιδιαίτερα στον τομέα των εξωπλανητών,” ανέφερε η Arney στην δήλωση. “Επειδή τα δεδομένα που θα λάβουμε από μελλοντικές παρατηρήσεις θα είναι σπάνια και θορυβώδη. Θα είναι πολύ δύσκολο να τα κατανοήσουμε. Έτσι, η χρήση αυτών των εργαλείων έχει τόσο μεγάλο δυναμικό να μας βοηθήσει.”

Η NASA διεξάγει ένα πρόγραμμα οκτώ εβδομάδων κάθε καλοκαίρι που συγκεντρώνει τους ηγέτες των τεχνολογικών και διαστημικών τομέων, που ονομάζεται Frontier Development (FDL).

Ο Shawn Domagl-Goldman είναι αστροβιολόγος στο Κέντρο Πτήσεων του Διαστήματος Goddard της NASA. 

“Το FDL μοιάζει με μια ομάδα μουσικών με διαφορετικά όργανα που συγκεντρώνονται για μια джαμ συνεδρία στο γκαράζ, βρίσκοντας κάτι πολύ καλό και λέγοντας, ‘Έχουμε μια μπάντα εδώ,'” ανέφερε στην δήλωση.

Πίσω στο 2018, μια ομάδα FDL με την καθοδήγηση του Domagal-Goldman και της Arney, ανέπτυξε μια τεχνική μηχανικής μάθησης που βασίζεται σε νευρωνικά δίκτυα. Αναλύουν εικόνες και αναγνωρίζουν τη χημεία των εξωπλανητών χρησιμοποιώντας τα μήκη κύματος του φωτός που εκπέμπονται ή απορροφώνται από μόρια στην ατμόσφαιρα. 

Χρησιμοποιώντας αυτή τη νέα τεχνική, οι ερευνητές θα μπορούσαν να αναγνωρίσουν διάφορα μόρια στην ατμόσφαιρα του WASP-12b, ενός εξωπλανήτη. Η τεχνική έκανε αυτό με μεγαλύτερη ακρίβεια από άλλες μεθόδους. 

Σύμφωνα με τον Domagal-Goldman, το νευρωνικό δίκτυο μπορεί επίσης να αναγνωρίσει όταν υπάρχει έλλειψη δεδομένων. Η τεχνική Bayesian, όπως ονομάζεται, μπορεί επίσης να πει στους επιστήμονες πόσο βέβαιη είναι για την πρόβλεψή της. 

“Σε μέρη όπου τα δεδομένα δεν ήταν αρκετά καλά για να δώσουν ένα πραγματικά ακριβές αποτέλεσμα, αυτό το μοντέλο ήταν καλύτερο στο να γνωρίζει ότι δεν ήταν σίγουρο για την απάντηση, το οποίο είναι πραγματικά σημαντικό αν θέλουμε να εμπιστευθούμε αυτές τις προβλέψεις,” ανέφερε ο Domagal-Goldman.

Η τεχνική Bayesian εξακολουθεί να αναπτύσσεται, αλλά άλλες τεχνολογίες FDL χρησιμοποιούνται στην πραγματική ζωή. Μέχρι το 2017, ένα πρόγραμμα μηχανικής μάθησης είχε αναπτυχθεί από συμμετέχοντες FDL που ήταν ικανό να δημιουργήσει γρήγορα τρισδιάστατα μοντέλα κοντινών αστεροειδών. Μπορούσε επίσης να εκτιμήσει ακριβώς τα σχήματα, τις διαστάσεις και τις ταχύτητες περιστροφής. Αυτού του είδους οι πληροφορίες είναι χρήσιμες για τη NASA για την ανίχνευση και την απομάκρυνση αστεροειδών που απειλούν τη Γη. 

Οι αστρονόμοι παραδοσιακά χρησιμοποιούν απλό λογισμικό υπολογιστή για να δημιουργήσουν τρισδιάστατα μοντέλα, και αναλύουν μετρήσεις ραντάρ ενός κινούμενου αστεροειδή. Στη συνέχεια, παρέχουν χρήσιμες πληροφορίες για να βοηθήσουν τους επιστήμονες ναinfer τις φυσικές ιδιότητες dựa στις αλλαγές του σήματος ραντάρ. 

Ο Bill Diamond είναι πρόεδρος και διευθύνων σύμβουλος του SETI. 

“Ένας ικανός αστρονόμος με τυπικούς υπολογιστικούς πόρους, θα μπορούσε να διαμορφώσει ένα單 αστεροειδή σε ένα έως τρία μήνες,” ανέφερε ο Diamond. “Έτσι, η ερώτηση για την ερευνητική ομάδα ήταν: Μπορούμε να το επιταχύνουμε;”

Η ομάδα που αποτελούνταν από φοιτητές από τη Γαλλία, τη Νότια Αφρική και τις Ηνωμένες Πολιτείες, μαζί με μεντόρους από την ακαδημία και την εταιρεία Nividia, ανέπτυξε einen αλγόριθμο ικανό να αναπαράγει einen αστεροειδή σε τόσο λίγο χρόνο όσο τέσσερις ημέρες. Η τεχνική αυτή χρησιμοποιείται τώρα από αστρονόμους στο Αστεροσκοπείο Arecibo στην Πουέρτο Ρίκο, και πραγματοποιεί μοντελοποίηση σχήματος αστεροειδών σε πραγματικό χρόνο. 

Οι ερευνητές προτείνουν επίσης ότι οι τεχνολογίες Τεχνητής Νοημοσύνης θα πρέπει να ενσωματωθούν σε μελλοντικά διαστημικά οχήματα, και ότι θα επιτρέψουν στα διαστημικά οχήματα να λάβουν αποφάσεις σε πραγματικό χρόνο.

“Οι μέθοδοι Τεχνητής Νοημοσύνης θα μας βοηθήσουν να απελευθερώσουμε επεξεργαστική ισχύ από τα δικά μας μυαλά, κάνοντας πολλή από την αρχική δουλειά σε δύσκολα καθήκοντα,” ανέφερε η Arney. “Αλλά αυτές οι μέθοδοι δεν θα αντικαταστήσουν τους ανθρώπους σε κανένα σημείο, επειδή θα χρειαζόμαστε ακόμα να ελέγξουμε τα αποτελέσματα.”