NASA Utilizará Aprendizaje Automático para Mejorar la Búsqueda de Vida Extraterrestre en Marte

Los investigadores de la NASA han estado trabajando arduamente en un sistema de inteligencia artificial piloto destinado a ayudar a las misiones de exploración futuras a encontrar evidencia de vida en otros planetas de nuestro sistema solar. Los algoritmos de aprendizaje automático ayudarán a los dispositivos de exploración a analizar muestras de suelo en Marte y devolver los datos más relevantes a la NASA. El programa piloto está actualmente programado para una prueba durante la misión ExoMars que se lanzará a mediados de 2022.

Como informa IEEE Spectrum, la decisión de utilizar aprendizaje automático y inteligencia artificial para ayudar en la búsqueda de vida en otros planetas fue impulsada en gran medida por Erice Lyness, el jefe del Laboratorio de Entornos Planetarios de Goddard de la NASA. Lyness necesitaba encontrar formas de automatizar aspectos de los análisis geoquímicos de muestras tomadas en otras partes de nuestro sistema solar. Lyness decidió que el aprendizaje automático podría ayudar a automatizar muchas de las tareas que los vehículos de exploración como los rovers de Marte deben realizar, incluyendo la recolección y análisis de muestras de suelo marciano.

El rover ExoMars Roslanind Franklin será capaz de perforar al menos dos metros de profundidad en el suelo marciano. A esta profundidad, cualquier microbio que viva allí no habrá sido matado por la luz ultravioleta del sol. Esto hace posible que el rover pueda encontrar bacterias vivas. Incluso si no se encuentran muestras de bacterias vivas, es posible que el taladro pueda encontrar evidencia fósil de vida en Marte, conservada desde eras anteriores cuando el planeta era más hospitalario para la vida. Las muestras que el taladro del rover encuentra se darán a un instrumento llamado espectrómetro de masas para su análisis.

El propósito del espectrómetro de masas es estudiar la distribución de masa en los iones encontrados en una muestra determinada. Esto se logra utilizando un láser en la muestra de suelo, que libera moléculas en la muestra de suelo, y luego calcula la masa atómica a partir de las diferentes moléculas. Este proceso produce un espectro de masas, que los investigadores analizarán para discernir por qué los patrones de picos que están viendo en el espectro podrían estar ocurriendo. Hay un problema con los espectros generados por el espectrómetro de masas, sin embargo. Varios compuestos producen una amplia variedad de diferentes espectros. Es un rompecabezas analizar un espectro de masas y determinar qué compuestos están dentro de la muestra, pero los algoritmos de aprendizaje automático podrían ayudar.

Los investigadores están estudiando un mineral llamado montmorillonita. La montmorillonita se encuentra comúnmente en el suelo marciano, y los investigadores están tratando de entender cómo el mineral podría manifestarse dentro de un espectro de masas. El equipo de investigadores incluye muestras de montmorillonita para ver cómo cambia la salida del espectrómetro de masas, lo que les da pistas sobre cómo se ve el mineral dentro de un espectro de masas. Los algoritmos de inteligencia artificial ayudarán a los investigadores a extraer patrones significativos del espectrómetro de masas.

Como Lyness fue citado por IEEE Spectrum:

“Puede tomar mucho tiempo desglosar realmente un espectro y entender por qué estás viendo picos en ciertas [masas] en el espectro. Así que cualquier cosa que puedas hacer para dirigir a los científicos hacia una dirección que diga: ‘No te preocupes, sé que no es este tipo de cosa o aquella cosa’, pueden identificar más rápidamente qué hay allí”.

Según Lyness, la misión ExoMars será un excelente caso de prueba para los algoritmos de inteligencia artificial diseñados para ayudar a interpretar los espectros de masas generados por las muestras.

Hay otras aplicaciones potenciales para la inteligencia artificial y el aprendizaje automático en el campo de la astrobiología. El dron Dragonfly, y potencialmente otra misión futura, operarán más lejos de la Tierra y en entornos más hostiles, y requerirán la automatización de aspectos de la navegación y la transmisión de datos.