Η NASA θα χρησιμοποιήσει τη μηχανική μάθηση για να ενισχύσει την αναζήτηση για εξωγήινη ζωή στον Άρη

Ερευνητές στη NASA εργάζονται σκληρά σε ένα πιλοτικό σύστημα AI που προορίζεται να βοηθήσει τις μελλοντικές αποστολές εξερεύνησης να βρουν ενδείξεις ζωής σε άλλους πλανήτες του ηλιακού μας συστήματος. Αλγόριθμοι μηχανικής μάθησης θα βοηθήσουν τις συσκευές εξερεύνησης να αναλύσουν δείγματα εδάφους στον Άρη και να επιστρέψουν τα πιο σχετικά δεδομένα στη NASA. Το πιλοτικό πρόγραμμα προγραμματίζεται να δοκιμαστεί κατά τη διάρκεια της αποστολής ExoMars που θα εκτοξευτεί το καλοκαίρι του 2022.

Όπως αναφέρει το IEEE Spectrum, η απόφαση να χρησιμοποιηθεί η μηχανική μάθηση και η τεχνητή νοημοσύνη για να βοηθήσει στην αναζήτηση ζωής σε άλλους πλανήτες οφείλεται σε μεγάλο βαθμό στον Erice Lyness, τον επικεφαλή του Εργαστηρίου Πλανητικών Περιβαλλόντων του Goddard στη NASA. Ο Lyness χρειαζόταν να βρει τρόπους για να αυτοματοποιήσει certains аспектς των γεωχημικών αναλύσεων των δειγμάτων που λαμβάνονται σε άλλες περιοχές του ηλιακού μας συστήματος. Ο Lyness αποφάσισε ότι η μηχανική μάθηση θα μπορούσε να βοηθήσει στην αυτοματοποίηση πολλών από τις εργασίες που πρέπει να εκτελεστούν από τα σκάφη εξερεύνησης όπως οι ρόβερ του Άρη, συμπεριλαμβανομένης της συλλογής και ανάλυσης δειγμάτων εδάφους του Άρη.

Ο ρόβερ ExoMars Roslanind Franklin θα είναι σε θέση να διαπεράσει τουλάχιστον δύο μέτρα στο έδαφος του Άρη. Σε αυτό το βάθος, οποιαδήποτε μικρόβια που ζουν εκεί δεν θα έχουν σκοτωθεί από το υπεριώδες φως του ήλιου. Αυτό καθιστά δυνατό ότι ο ρόβερ μπορεί να βρει ζωντανούς βακτήρια. Ακόμη και αν δεν βρεθούν δείγματα ζωντανών βακτηρίων, είναι δυνατό ότι το τρυπάνι μπορεί να βρει απολιθωμένα ενδείξεις ζωής στον Άρη, που διατηρούνται από προηγούμενες εποχές όταν ο πλανήτης ήταν πιο φιλικός προς τη ζωή. Τα δείγματα που θα βρει το τρυπάνι του ρόβερ θα δοθούν σε ένα όργανο που ονομάζεται μαζικός αναλυτής για σκοπούς ανάλυσης.

Ο σκοπός του μαζικού αναλυτή είναι να μελετήσει την κατανομή της μάζας των ιόντων που βρίσκονται σε ένα δεδομένο δείγμα. Αυτό επιτυγχάνεται με τη χρήση ενός laser στο δείγμα εδάφους, το οποίο απελευθερώνει μόρια στο δείγμα εδάφους, και στη συνέχεια υπολογίζοντας τη μάζα από τα διαφορετικά μόρια. Αυτή η διαδικασία παράγει ένα φάσμα μάζας, το οποίο οι ερευνητές θα αναλύσουν για να κατανοήσουν γιατί τα μοτίβα των pic που βλέπουν στο φάσμα μπορεί να συμβαίνουν. Υπάρχει ένα πρόβλημα με τα φάσματα που παράγονται από τον μαζικό αναλυτή, ωστόσο. Διαφορετικές ενώσεις παράγουν eine μεγάλη ποικιλία διαφορετικών φασμάτων. Είναι ένα παζλ για να αναλύσετε ένα φάσμα μάζας και να καθορίσετε ποίες ενώσεις υπάρχουν στο δείγμα, αλλά οι αλγόριθμοι μηχανικής μάθησης μπορεί να βοηθήσουν.

Οι ερευνητές μελετούν ένα ορυκτό που ονομάζεται 몬τμοριλλονίτης. Ο 몬τμοριλλονίτης βρίσκεται συνήθως στο έδαφος του Άρη, και οι ερευνητές στοχεύουν να κατανοήσουν πώς το ορυκτό μπορεί να εμφανιστεί σε ένα φάσμα μάζας. Η ομάδα των ερευνητών περιλαμβάνει δείγματα 몐τμοριλλονίτη για να δουν πώς η έξοδος του μαζικού αναλυτή αλλάζει, δίνοντάς τους ενδείξεις για το πώς το ορυκτό φαίνεται σε ένα φάσμα μάζας. Οι αλγόριθμοι AI θα βοηθήσουν τους ερευνητές να εξάγουν σημαντικά μοτίβα από τον μαζικό αναλυτή.

Όπως ο Lyness ανέφερε στο IEEE Spectrum:

“Μπορεί να χρειαστεί πολύς χρόνος για να αναλύσετε πραγματικά ένα φάσμα και να κατανοήσετε γιατί βλέπετε pic σε bestimmten μάζες στο φάσμα. Έτσι, οτιδήποτε μπορείτε να κάνετε για να δείξετε στους επιστήμονες μια κατεύθυνση που λέει, ‘Μη σας ανησυχεί, ξέρω ότι δεν είναι αυτό το είδος ή εκείνο το είδος’, μπορούν να ταυτοποιήσουν πιο γρήγορα τι υπάρχει εκεί.”

Σύμφωνα με τον Lyness, η αποστολή ExoMars θα είναι μια εξαιρετική περίπτωση για τους αλγόριθμους AI που σχεδιάστηκαν για να βοηθήσουν στην ερμηνεία των φασμάτων μάζας που παράγονται από τα δείγματα.

Υπάρχουν άλλες πιθανές εφαρμογές για την τεχνητή νοημοσύνη και την μηχανική μάθηση στο πεδίο της αστροβιολογίας. Το drone Dragonfly, και πιθανώς μια άλλη μελλοντική αποστολή, θα λειτουργούν μακρύτερα από τη Γη και σε πιο δύσκολα περιβάλλοντα και θα απαιτούν την αυτοματοποίηση των аспектων της πλοήγησης και της μετάδοσης δεδομένων.