नासा मार्स पर एलियन जीवन की खोज को बेहतर बनाने के लिए मशीन लर्निंग का उपयोग करेगा

नासा के शोधकर्ताओं ने एक पायलट एआई सिस्टम पर काम किया है जो भविष्य के अन्वेषण मिशनों को हमारे सौर मंडल में अन्य ग्रहों पर जीवन के साक्ष्य खोजने में मदद करने के लिए डिज़ाइन किया गया है। मशीन लर्निंग एल्गोरिदम अन्वेषण उपकरणों को मार्स पर मिट्टी के नमूनों का विश्लेषण करने में मदद करेंगे और नासा को सबसे प्रासंगिक डेटा वापस करेंगे। पायलट कार्यक्रम वर्तमान में मध्य 2022 में लॉन्च होने वाले एक्सोमार्स मिशन के दौरान एक परीक्षण रन के लिए निर्धारित है।

आईईईई स्पेक्ट्रम के अनुसार, अन्य ग्रहों पर जीवन की खोज में मदद करने के लिए मशीन लर्निंग और कृत्रिम बुद्धिमत्ता का उपयोग करने का निर्णय मुख्य रूप से एरिक लिनेस द्वारा लिया गया था, जो नासा के गोडार्ड प्लैनेटरी एनवायरनमेंट लैब के प्रमुख हैं। लिनेस को अन्य ग्रहों से लिए गए नमूनों के जियोकेमिकल विश्लेषण के पहलुओं को स्वचालित करने के तरीके खोजने की आवश्यकता थी। लिनेस ने निर्णय लिया कि मशीन लर्निंग उन कई कार्यों को स्वचालित करने में मदद कर सकती है जो अन्वेषण शिल्प जैसे मार्स रोवर्स को करना होता है, जिसमें मार्टियन मिट्टी के नमूनों का संग्रह और विश्लेषण शामिल है।

एक्सोमार्स रोवर रोसलिंड फ्रैंकलिन कम से कम दो मीटर गहराई तक मार्टियन मिट्टी में ड्रिल करने में सक्षम होगा। इस गहराई पर, वहां रहने वाले कोई जीव सूरज की पराबैंगनी प्रकाश द्वारा मारे नहीं जाएंगे। इससे संभावना है कि रोवर जीवित बैक्टीरिया पा सकता है। भले ही जीवित बैक्टीरिया नमूने नहीं मिलें, संभावना है कि ड्रिल मार्स पर जीवन के जीवाश्म साक्ष्य पा सकता है, जो पहले के उन युगों से बचा होगा जब ग्रह जीवन के लिए अधिक अनुकूल था। रोवर के ड्रिल द्वारा पाए जाने वाले नमूने विश्लेषण के उद्देश्य से एक उपकरण को दिए जाएंगे जिसे द्रव्यमान स्पेक्ट्रोमीटर कहा जाता है।

द्रव्यमान स्पेक्ट्रोमीटर का उद्देश्य एक दिए गए नमूने में आयनों में द्रव्यमान के वितरण का अध्ययन करना है। यह मिट्टी के नमूने पर एक लेजर का उपयोग करके किया जाता है, जो मिट्टी के नमूने में अणुओं को मुक्त करता है, और फिर विभिन्न अणुओं से परमाणु द्रव्यमान की गणना करता है। इस प्रक्रिया से एक द्रव्यमान स्पेक्ट्रUM उत्पन्न होता है, जिसका विश्लेषण शोधकर्ता उन पैटर्न को समझने के लिए करते हैं जो वे स्पेक्ट्रUM में देख रहे हैं। द्रव्यमान स्पेक्ट्रोमीटर द्वारा उत्पन्न स्पेक्ट्रUM के साथ एक समस्या है। विभिन्न यौगिक विभिन्न स्पेक्ट्रUM का उत्पादन करते हैं। एक द्रव्यमान स्पेक्ट्रUM का विश्लेषण करना और निर्धारित करना एक पहेली है कि स्पेक्ट्रUM में दिखाई देने वाले पैटर्न क्यों हो रहे हैं, लेकिन मशीन लर्निंग एल्गोरिदम मदद कर सकते हैं।

शोधकर्ता मोंटमोरिलोनाइट नामक एक खनिज का अध्ययन कर रहे हैं। मोंटमोरिलोनाइट मार्टियन मिट्टी में सामान्य रूप से पाया जाता है, और शोधकर्ता यह समझने की कोशिश कर रहे हैं कि खनिज एक द्रव्यमान स्पेक्ट्रUM में कैसे प्रकट हो सकता है। शोधकर्ता मोंटमोरिलोनाइट नमूनों को शामिल करते हैं ताकि यह देखा जा सके कि द्रव्यमान स्पेक्ट्रोमीटर का आउटपुट कैसे बदलता है, जिससे उन्हें यह समझने में मदद मिलती है कि खनिज एक द्रव्यमान स्पेक्ट्रUM में कैसा दिखता है। एआई एल्गोरिदम शोधकर्ताओं को द्रव्यमान स्पेक्ट्रोमीटर से अर्थपूर्ण पैटर्न निकालने में मदद करेंगे।

जैसा कि लिनेस को आईईईई स्पेक्ट्रम द्वारा उद्धृत किया गया है:

“यह वास्तव में एक स्पेक्ट्रUM को तोड़ने और समझने में लंबा समय लग सकता है कि आप स्पेक्ट्रUM में कुछ द्रव्यमान पर चोटियों को क्यों देख रहे हैं। इसलिए, आप जो कुछ भी कर सकते हैं वह वैज्ञानिकों को एक दिशा में इंगित करता है जो कहता है, ‘चिंता न करें, मुझे पता है कि यह किस तरह की चीज नहीं है या वह चीज नहीं है,’ वे जल्दी से पहचान सकते हैं कि वहां क्या है।”

लिनेस के अनुसार, एक्सोमार्स मिशन द्रव्यमान स्पेक्ट्रUM की व्याख्या में मदद करने के लिए डिज़ाइन किए गए एआई एल्गोरिदम के लिए एक उत्कृष्ट परीक्षण मामला होगा।

अस्ट्रोबायोलॉजी के क्षेत्र में एआई और मशीन लर्निंग के लिए अन्य संभावित अनुप्रयोग हैं। ड्रैगनफ्लाई ड्रोन और संभावित रूप से एक भविष्य के मिशन पृथ्वी से दूर और कठिन वातावरण में संचालित होंगे और यह नेविगेशन और डेटा के प्रसारण के पहलुओं को स्वचालित करने की आवश्यकता होगी।