NASA Käyttää Parhaillaan A.I:ta Avaruustieteessä

Viime kuun julkaisemassaan tiedotteessa NASA kertoi, että A.I:lla on potentiaalia auttaa joissakin avaruustieteen suurimmista ongelmista. A.I:ta voidaan käyttää elämän etsimiseen muilla planeetoilla tai asteroidien tunnistamiseen. NASA:n tutkijat tekevät yhteistyötä johtavien A.I-alan yritysten, kuten Intelin, IBM:n ja Google:n, kanssa. Yhdessä he voivat soveltaa edistyneitä tietokonealgoritmeja ratkaisemaan joitakin näistä ongelmista.

On olemassa tiettyjä A.I-tekniikoita, joista NASA riippuu, kuten koneoppiminen, tietojen tulkitsemiseen. Tiedot kerätään myöhemmin teleskooppeilla, mukaan lukien James Webb -avaruusteleskooppi tai Transiting Exoplanet Survey Satellite.

Giada Arney, astrobiologi NASA:n Goddard Space Flight Centerissä, Marylandissa, toivoo, että koneoppiminen voi auttaa häntä ja hänen tiimiään löytämään elämän merkkejä tietoja, jotka kerätään teleskooppeilla ja observatorioilla.

“Nämä teknologiat ovat erittäin tärkeitä, erityisesti suurten tietojoukkien ja erityisesti eksoplaneettojen tutkimuksessa”, Arney sanoi tiedotteessa. “Koska tulevista havainnoista saatavat tiedot ovat niukat ja meluisat. Niiden ymmärtäminen on todella vaikeaa. Näiden työkalujen käyttäminen on niin paljon lupaavaa auttamaan meitä.”

NASA järjestää joka kesä kahdeksan viikon ohjelman, jossa teknologia- ja avaruussektorin johtajat kokoontuvat, nimeltään Frontier Development (FDL).

Shawn Domagl-Goldman on NASA Goddardin astrobiologi.

“FDL tuntuu kuin hyvät muusikot eri soittimilla kokoontuvat garage-bändiksi, löytävät jotain uutta ja sanovat: ‘Meillä on bändi täällä'”, hän sanoi tiedotteessa.

Vuonna 2018 FDL-tiimi, jota Domagal-Goldman ja Arney ohjasivat, kehitti koneoppimistekniikan, joka perustuu neuroverkkoihin. Se analysoi kuvia ja tunnistaa eksoplaneettojen kemian aallonpituuksien avulla, jotka molekyylit lähettävät tai absorboida ilmakehässä.

Käyttämällä tätä uutta tekniikkaa, tutkijat voivat tunnistaa erilaisia molekyylejä eksoplaneetta WASP-12b:n ilmakehässä. Tekniikka teki tämän tarkemmin kuin muut menetelmät.

Domagal-Goldmanin mukaan neuroverkko voi myös tunnistaa, kun tietoja ei ole riittävästi. Bayesilaisten tekniikoiden avulla voidaan myös kertoa, kuinka varma tieto on.

“Paikoissa, joissa tieto ei ollut tarpeeksi hyvä antamaan todella tarkan tuloksen, tämä malli oli parempi tunnistamaan, ettei se ollut varma vastauksesta, mikä on todella tärkeää, jos haluamme luottaa näihin ennusteisiin”, Domagal-Goldman sanoi.

Bayesilaista tekniikkaa kehitetään edelleen, mutta muita FDL-tekniikoita käytetään jo käytännössä. Vuonna 2017 FDL-osallistujat kehittivät koneoppimisohjelman, joka pystyi nopeasti luomaan 3D-malleja lähellä olevista asteroideista. Se pystyi myös arvioimaan tarkasti niiden kokoja, muotoja ja pyörimisnopeuksia. Tällainen tieto on hyödyllistä NASA:lle asteroidien havaitsemiseen ja torjuntaan.

Astronomit käyttävät perinteisesti yksinkertaista tietokoneohjelmaa 3D-mallien luomiseen, joka analysoi liikkuvan asteroidin radarimittauksia. Se antaa hyödyllistä tietoa, jotta tutkijat voivat päätellä asteroidin fyysisiä ominaisuuksia radarisignaalin muutosten perusteella.

Bill Diamond on SETI:n puheenjohtaja ja toimitusjohtaja.

“Perehtynyt astronomi standardien mukaisilla laskentaresursseilla voisi muotoilla yhden asteroidin yhdessä kuussa”, Diamond sanoi. “Joten tutkimusryhmälle kysymys oli: Voimmeko nopeuttaa tätä?”

Ranskalaisista, eteläafrikkalaisista ja yhdysvaltalaisista opiskelijoista, sekä Nividian akateemisista ja teknologiayritysten mentoreista koostuva tiimi kehitti algoritmin, joka pystyy renderöimään asteroidin neljässä päivässä. Tekniikkaa käytetään tällä hetkellä Arecibon observatoriossa Puerto Ricossa, ja se tekee asteroidien reaaliaikaisen muotomallinnuksen.

Tutkijat ehdottavat myös, että A.I-tekniikoita tulisi rakentaa tuleviin avaruusaluksiin, mikä mahdollistaisi avaruusaluksien tekemän reaaliaikaiset päätökset.

“A.I-menetelmät auttavat meitä vapauttamaan prosessointikapasiteettia omista aivoistamme tekemällä paljon alkuvaiheen työtä haasteellisissa tehtävissä”, Arney sanoi. “Mutta nämä menetelmät eivät korvaa ihmisiä lähiaikoina, koska meidän on edelleen tarkistettava tulokset.”