NASA aikoo käyttää koneoppimista Marsissa olevan elämän etsimiseen

NASA:n tutkijat ovat olleet ahkerasti työssä koneoppimiseen perustuvan järjestelmän parissa, jonka tarkoituksena on auttaa tulevia tutkimusmatkoja löytämään elämän merkkejä muilla aurinkokunnan planeetoilla. Koneoppimisalgoritmit auttavat tutkimuslaitteita analysoimaan maanäytteitä Marsissa ja palauttamaan NASA:lle merkittävimmät tiedot. Pilottiohjelma on tällä hetkellä suunniteltu testattavaksi ExoMars-lennolla, joka lähtee kesäkuussa 2022.

IEEE Spectrumin mukaan, koneoppimisen ja tekoälynnästyksen käytön elämän etsimiseen muilla planeetoilla johti pääasiassa Erice Lyness, Goddard Planetary Environments Lab:in johtaja NASA:ssa. Lyness tarvitsi keinoja automatisoida geochemiallisten analyysien osia näytteistä, jotka on otettu muista aurinkokunnan osista. Lyness päätti, että koneoppiminen voisi auttaa automatisoimaan monia tehtäviä, joita tutkimusluotaimet kuten Marsin roversit joutuvat suorittamaan, mukaan lukien marsin maanäytteiden kerääminen ja analysointi.

ExoMars-roverssa Roslanind Franklin on kyky porata vähintään kaksi metriä syvälle marsin maahan. Tällä syvyydellä mikrobit eivät ole kuolleet auringon UV-valoon. Tämä tekee mahdolliseksi, että rover voi löytää eläviä bakteereja. Vaikka eläviä bakteereja ei löytyisikään, on mahdollista, että pora voi löytää fossiilisia elämän merkkejä Marsissa, jotka ovat peräisin aiemmista ajoista, jolloin planeetta oli elämälle otollisempi. Roversin poran löytämät näytteet annetaan massaspektrometrille analyysia varten.

Massaspektrometrin tarkoituksena on tutkia ionien massan jakautumista annetussa näytteessä. Tämä tapahtuu käyttämällä lasersäteilyä maanäytteessä, joka vapauttaa molekyylejä maanäytteessä, ja laskemalla atomimassan eri molekyyleistä. Tämä prosessi tuottaa massaspektrin, jonka tutkijat analysoivat selvittääkseen, miksi he havaitsevat piikkejä spektrissä. Massaspektrometrin tuottamissa spektreissä on kuitenkin ongelma. Eri yhdisteet tuottavat erilaisia spektrejä. On arvoitus analyysin massaspektrin ja määrittää, mitä yhdisteitä näytteessä on, mutta koneoppimisalgoritmit voivat auttaa.

Tutkijat tutkivat mineraalia nimeltä montmorillonite. Montmorillonite on yleisesti löydettävissä marsin maasta, ja tutkijat pyrkivät ymmärtämään, miten mineraali voi ilmetä massaspektrissä. Tutkijaryhmä sisällyttää montmorillonitenäytteitä nähdäkseen, miten massaspektrometrin tuottama tulos muuttuu, mikä antaa heille vihjeitä siitä, miltä mineraali näyttää massaspektrissä. Koneoppimisalgoritmit auttavat tutkijoita poimimaan merkityksellisiä kuvioita massaspektrometrista.

Lynessin mukaan IEEE Spectrumissa:

“Voisi kestää kauan, ennen kuin oikeasti pystytään analysoimaan spektriä ja ymmärtämään, miksi näkee piikkejä tiettyjen massojen kohdalla spektrissä. Joten kaikki, mitä voidaan tehdä, on ohjata tutkijoita suuntaan, joka sanoo, ‘Älä huolehdi, tiedän, ettei ole tämänlainen asia tai toisenlainen asia’, he voivat nopeammin tunnistaa, mitä siinä on.”

Lynessin mukaan ExoMars-lento on erinomainen testitapaus koneoppimisalgoritmeille, jotka on suunniteltu auttamaan massaspektrien tulkinnassa.

On olemassa muita mahdollisia sovelluksia tekoälylle ja koneoppimiselle astrobiologian alalla. Dragonfly-drone ja mahdollisesti tulevat lennot toimivat kauempana Maasta ja ankarammassa ympäristössä, ja ne vaativat navigoinnin ja datan lähettämisen automatisointia.