NASA käyttää koneoppimista Marsissa olevan elämän etsimiseen

Tutkijat NASAssa ovat työskennelleet ahkerasti pilotoi-AI-järjestelmän parissa, jonka tarkoituksena on auttaa tulevia tutkimusmatkoja löytämään elämän merkkejä muilla planeetoilla aurinkokunnassamme. Koneoppimisalgoritmit auttavat tutkimuslaitteita analysoimaan maanäytteitä Marsissa ja palauttamaan tärkeimmät tiedot NASAlle. Pilotiohjelma on tällä hetkellä suunniteltu testikäyttöön ExoMars-lennolla, joka lähtee kesäkuussa 2022.

IEEE Spectrumin mukaan päätös käyttää koneoppimista ja tekoälyä elämän etsimiseen muilla planeetoilla johti suurelta osin Erice Lynessiin, joka on Goddard Planetary Environments Lab:n johtaja NASAssa. Lyness tarvitsi keinoja automatisoida geochemiallisten analyysien osia näytteiden analysoinnissa aurinkokunnan eri osissa. Lyness päätti, että koneoppiminen voisi auttaa automatisoimaan monia tehtäviä, joita tutkimusluotaimet kuten Marsin luotaimet joutuvat suorittamaan, mukaan lukien marsin maanäytteiden kerääminen ja analysointi.

ExoMars-luotain Rosalind Franklin pystyy poraamaan vähintään kaksi metriä syvälle marsin maahan. Tällä syvyydellä mikrobit eivät ole kuolleet auringon UV-säteilyn vuoksi. Tämä tekee mahdolliseksi, että luotain voi löytää eläviä bakteereja. Vaikka eläviä bakteereja ei löydöskään, on mahdollista, että poraaminen voi löytää fossiilisia elämän merkkejä Marsissa, jotka ovat peräisin aiemmista ajoista, jolloin planeetta oli elinkelpoisempi. Luotaimen poraamanäytteet annetaan massaspektrometrille analysointia varten.

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

Tutkijat tutkivat mineraalia nimeltä montmorillonite. Montmorillonite on yleinen marsin maassa, ja tutkijat pyrkivät ymmärtämään, miten mineraali voi ilmetä massaspektrissä. Tutkijaryhmä sisällyttää montmorillonitenäytteitä massaspektrometriin, jotta he voivat nähdä, miten massaspektrometrin tulokset muuttuvat, ja saada vihjeitä siitä, miltä mineraali näyttää massaspektrissä. Koneoppimisalgoritmit auttavat tutkijoita löytämään merkityksellisiä kuvioita massaspektrometrin tuloksista.

Lynessin mukaan IEEE Spectrumissa

“Voisi kestää pitkään todella murtamaan spektri ja ymmärtää, miksi näet piikkejä tiettyjen massojen kohdalla spektrissä. Joten mitä tahansa voit tehdä osoittamaan tutkijoille suuntaa, joka sanoo, ’Älä huolehdi, tiedän, ettei ole tämänlainen asia tai tuollainen asia’, he voivat nopeammin tunnistaa, mitä siinä on.”

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

On muita potentiaalisia sovelluksia tekoälylle ja koneoppimiselle astrobiologian alalla. Dragonfly-kuvernööri ja mahdollisesti toinen tuleva tehtävä toimivat kauempana Maasta ja karumpissa olosuhteissa, ja se vaatii automatisoimalla navigoinnin ja tietojen lähetyksen osia. Ted by samples. There are other potential applications for AI and machine learning in the field of astrobiology. The Dragonfly drone, and potentially another future mision, will be operating farther from Earth and in harsher environments and it will require automating aspects of navigation and the transmission of data.