La NASA utilise l’apprentissage automatique pour améliorer la recherche de vie extraterrestre sur Mars

Les chercheurs de la NASA travaillent dur sur un système pilote d’IA destiné à aider les futures missions d’exploration à trouver des preuves de vie sur d’autres planètes de notre système solaire. Les algorithmes d’apprentissage automatique aideront les appareils d’exploration à analyser les échantillons de sol sur Mars et à renvoyer les données les plus pertinentes à la NASA. Le programme pilote est actuellement prévu pour un test lors de la mission ExoMars qui doit être lancée à mi-2022.

Comme le rapporte IEEE Spectrum, la décision d’utiliser l’apprentissage automatique et l’intelligence artificielle pour aider la recherche de vie sur d’autres planètes a été largement motivée par Erice Lyness, le chef du Laboratoire des environnements planétaires de Goddard à la NASA. Lyness devait trouver des moyens d’automatiser les aspects des analyses géochimiques des échantillons prélevés dans d’autres parties de notre système solaire. Lyness a décidé que l’apprentissage automatique pourrait aider à automatiser de nombreuses tâches que les engins d’exploration comme les rovers martiens doivent effectuer, notamment la collecte et l’analyse des échantillons de sol martien.

Le rover ExoMars Roslanind Franklin sera capable de forer à au moins deux mètres de profondeur dans le sol martien. À cette profondeur, les microbes qui y vivent n’auront pas été tués par la lumière UV du soleil. Cela rend possible que le rover puisse trouver des bactéries vivantes. Même si aucun échantillon de bactéries vivantes n’est trouvé, il est possible que le foret trouve des preuves fossiles de vie sur Mars, conservées depuis des époques antérieures où la planète était plus hospitalière à la vie. Les échantillons que le foret du rover trouvera seront donnés à un instrument appelé spectromètre de masse pour analyse.

Le but du spectromètre de masse est d’étudier la distribution de la masse dans les ions trouvés dans un échantillon donné. Cela est réalisé en utilisant un laser sur l’échantillon de sol, qui libère les molécules dans l’échantillon de sol, puis en calculant la masse atomique à partir des différentes molécules. Ce processus produit un spectre de masse, que les chercheurs analyseront pour déterminer pourquoi les modèles de pics qu’ils voient dans le spectre pourraient se produire. Il y a un problème avec les spectres générés par le spectromètre de masse, cependant. Différents composés produisent une grande variété de spectres différents. C’est un puzzle pour analyser un spectre de masse et déterminer quels composés sont dans l’échantillon, mais les algorithmes d’apprentissage automatique pourraient aider.

Les chercheurs étudient un minéral appelé montmorillonite. La montmorillonite est couramment trouvée dans le sol martien, et les chercheurs visent à comprendre comment le minéral pourrait se manifester dans un spectre de masse. L’équipe de chercheurs inclut des échantillons de montmorillonite pour voir comment la sortie du spectromètre de masse change, leur donnant des indices sur l’apparence du minéral dans un spectre de masse. Les algorithmes d’IA aideront les chercheurs à extraire des modèles significatifs à partir du spectromètre de masse.

Comme Lyness est cité par IEEE Spectrum :

« Il pourrait prendre beaucoup de temps pour vraiment décomposer un spectre et comprendre pourquoi vous voyez des pics à certaines [masses] dans le spectre. Donc, tout ce que vous pouvez faire pour diriger les scientifiques dans une direction qui dit : « Ne vous inquiétez pas, je sais que ce n’est pas ce type de chose ou cela », ils peuvent plus rapidement identifier ce qui se trouve à l’intérieur. »

Selon Lyness, la mission ExoMars sera un excellent cas de test pour les algorithmes d’IA conçus pour aider à interpréter les spectres de masse générés par les échantillons.

Il existe d’autres applications potentielles pour l’IA et l’apprentissage automatique dans le domaine de l’astrobiologie. Le drone Dragonfly, et potentiellement une autre mission future, fonctionnera plus loin de la Terre et dans des environnements plus hostiles, et nécessitera l’automatisation des aspects de la navigation et de la transmission des données.