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

Ερευνητές στη NASA έχουν εργαστεί 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 προς το παρόν για δοκιμή κατά τη διάρκεια της αποστολής ExoMars που θα εκτοξευθεί 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 επικεφαλής του Εργαστηρίου Πλανητικών Περιβαλλόντων Goddard στη NASA. Ο Lyness έπρεπε 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 εκτελέσουν τα σκάφη εξερεύνησης, όπως οι ρόβερ του Άρη, συμπεριλαμβανομένης της συλλογής και ανάλυσης των δειγμάτων εδάφους του Άρη.

Το ρόβερ ExoMars Roslanind Franklin θα είναι σε θέση να διαπεράσει τουλάχιστον δύο μέτρα βαθιά 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 το ρόβερ να βρει ζωντανούς βακτήρια. Ακόμη και αν δεν βρεθούν δείγματα ζωντανών βακτηρίων, είναι δυνατό ότι το ρόβερ μπορεί να βρει απολιθωμένα απομεινάρια ζωής στον Άρη, που διατηρήθηκαν από προηγούμενες εποχές όταν ο πλανήτης ήταν πιο φιλικός προς τη ζωή. Τα δείγματα που θα βρει το ρόβερ θα δοθούν σε ένα όργανο που ονομάζεται μαζικός φασματόμετρος για τον σκοπό της ανάλυσης.

Ο σκοπός του μαζικού φασματόμετρου είναι να μελετήσει την κατανομή της μάζας των ιόντων που βρίσκονται σε ένα δεδομένο δείγμα. Αυτό επιτυγχάνεται χρησιμοποιώντας ένα λέιζερ στο δείγμα εδάφους, το οποίο απελευθερώνει μόρια στο δείγμα εδάφους, και στη συνέχεια υπολογίζοντας την ατομική μάζα από τα διαφορετικά μόρια. Αυτή η διαδικασία παράγει ένα φάσμα μάζας, το οποίο οι ερευνητές θα αναλύσουν για να κατανοήσουν γιατί οι σχηματισμοί των pic που βλέπουν στο φάσμα μπορεί να συμβαίνουν. Υπάρχει ένα πρόβλημα με τα φάσματα που παράγονται από τον μαζικό φασματόμετρο, ωστόσο. Διαφορετικές ενώσεις παράγουν eine μεγάλη ποικιλία από διαφορετικά φάσματα. Είναι ένα puzzle 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 συχνά στο έδαφος του Άρη, και οι ερευνητές στοχεύουν να κατανοήσουν πώς το ορυκτό μπορεί να εκφραστεί σε ένα φάσμα μάζας. Η ομάδα των ερευνητών περιλαμβάνει δείγματα 몬τμοριλλονίτη για να δουν πώς η έξοδος του μαζικού φασματόμετρου 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 φασματόμετρο.

Όπως ο Lyness αναφέρθηκε από το IEEE Spectrum:

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

Σύμφωνα με τον Lyness, η αποστολή ExoMars θα είναι μια εξαιρετική περίπτωση δοκιμής 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 τη μηχανική μάθηση στο πεδίο της αστροβιολογίας. Το δρόν Dragonfly, και πιθανώς μια μελλοντική αποστολή, θα λειτουργούν μακρύτερα από τη Γη και σε πιο σκληρά περιβάλλοντα και θα απαιτούν την αυτοματοποίηση των аспектών της πλοήγησης και της μετάδοσης δεδομένων.