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

Σε μια δηλώση που εξέδωσε η NASA τον προηγούμενο μήνα, η υπηρεσία ανέφερε ότι η Τεχνητή Νοημοσύνη έχει το потенシャル 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 την αναγνώριση αστεροειδών. Οι επιστήμονες της NASA συνεργάζονται με ηγέτες στην βιομηχανία της Τεχνητής Νοημοσύνης, όπως η Intel (INTC ), η IBM και η Google. Μαζί, μπορούν να εφαρμόσουν προηγμένα αλγόριθμους 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. Τα δεδομένα αυτά θα συλλεχθούν από τηλεσκόπια, συμπεριλαμβανομένου του τηλεσκοπίου James Webb Space ή του διαστημικού τηλεσκοπίου Transiting Exoplanet Survey, σε κάποιο σημείο στο μέλλον.

Η Giada Arney, αστροβιολόγος στο Κέντρο Πτήσεων του Διαστήματος Goddard της NASA στο Greenbelt, στο Μέριλαντ, ελπίζει ότι η μηχανική μάθηση θα τη βοηθήσει 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 στο πεδίο των εξωπλανητών”, είπε η Arney στη δήλωση. “Επειδή τα δεδομένα που θα λάβουμε από μελλοντικές παρατηρήσεις θα είναι σπάνια και θορυβώδη. Θα είναι πραγματικά δύσκολο να τα κατανοήσουμε. Έτσι, η χρήση αυτών των εργαλείων έχει τόσο μεγάλο потенシャル να μας βοηθήσει.”

Η NASA διεξάγει ένα πρόγραμμα οκτώ εβδομάδων κάθε καλοκαίρι που συγκεντρώνει τους ηγέτες των τεχνολογιών και του διαστήματος, που ονομάζεται Frontier Development (FDL).

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

“Το FDL feels like some really good musicians with different instruments getting together for a jam session in the garage, finding something really cool, and saying, ‘Hey we’ve got a band here,'” είπε στην δήλωση.

Το 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 εκπέμπεται ή απορροφάται από μόρια στην ατμόσφαιρα τους.

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 εμπιστευτούμε αυτές τις προβλέψεις”, είπε 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 με ακρίβεια τα σχήματα, τις διαστάσεις και τις ταχύτητες περιστροφής τους. 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. Τότε παρέχουν χρήσιμες πληροφορίες για να βοηθήσουν τους επιστήμονες να συναγάγουν τις φυσικές ιδιότητες του με βάση τις αλλαγές στο σήμα του ραντάρ.

Ο Bill Diamond είναι πρόεδρος και διευθύνων σύμβουλος του SETI.

“Ένας ικανός αστρονόμος με τυπικές υπολογιστικές πόρους, θα μπορούσε να διαμορφώσει ένα μόνο αστεροειδή σε ένα έως τρία μήνες”, είπε 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 συμβούλους από την ακαδημία και την εταιρεία τεχνολογίας Nividia, ανέπτυξαν einen αλγόριθμο ικανό να αποδίδει ένα 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 επίσης προτείνουν ότι τεχνολογίες Τεχνητής Νοημοσύνης θα πρέπει να κατασκευαστούν σε μελλοντικά διαστημικά οχήματα, και ότι θα επιτρέψουν στα οχήματα να λάβουν αποφάσεις σε πραγματικό χρόνο.

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