NASA ຈະໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອເສີມຂະຫຍາຍການຄົ້ນຫາຊີວິດມະນຸດຕ່າງດາວເທິງດາວອັງຄານ

ນັກຄົ້ນຄວ້າຢູ່ອົງການ NASA ໄດ້ເຮັດວຽກຢ່າງໜັກຕໍ່ລະບົບ AI ນັກບິນທີ່ມີຈຸດປະສົງເພື່ອຊ່ວຍໃຫ້ພາລະກິດສຳຫຼວດໃນອະນາຄົດຊອກຫາຫຼັກຖານຂອງຊີວິດເທິງດາວເຄາະອື່ນໆໃນລະບົບສຸລິຍະຂອງພວກເຮົາ. ຂັ້ນຕອນການຮຽນຮູ້ຂອງເຄື່ອງຈັກຈະຊ່ວຍໃຫ້ອຸປະກອນສຳຫຼວດວິເຄາະຕົວຢ່າງດິນເທິງດາວອັງຄານ ແລະສົ່ງຄືນຂໍ້ມູນທີ່ກ່ຽວຂ້ອງທີ່ສຸດໃຫ້ກັບ NASA. ໂຄງ​ການ​ທົດ​ລອງ​ໃນ​ປັດ​ຈຸ​ບັນ​ແມ່ນ slated ສໍາ​ລັບ​ການ​ດໍາ​ເນີນ​ການ​ທົດ​ສອບ​ໃນ​ລະ​ຫວ່າງ​ ພາລະກິດ ExoMars ທີ່ຈະເຫັນການເປີດຕົວໃນກາງປີ 2022.

ດັ່ງທີ່ IEEE Spectrum ລາຍງານ, ການຕັດສິນໃຈທີ່ຈະນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກແລະປັນຍາປະດິດເພື່ອຊ່ວຍຄົ້ນຫາຊີວິດຢູ່ໃນດາວເຄາະອື່ນໆໄດ້ຖືກຂັບເຄື່ອນໂດຍ Erice Lyness, ຫົວຫນ້າຂອງ ຫ້ອງທົດລອງສະພາບແວດລ້ອມຂອງ Goddard Planetary ຢູ່ NASA. Lyness ຈໍາເປັນຕ້ອງໄດ້ມາເຖິງວິທີການອັດຕະໂນມັດລັກສະນະຂອງການວິເຄາະ geochemical ຂອງຕົວຢ່າງທີ່ປະຕິບັດໃນພາກສ່ວນອື່ນໆຂອງລະບົບແສງຕາເວັນຂອງພວກເຮົາ. Lyness ຕັດສິນໃຈການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຊ່ວຍໃຫ້ວຽກງານຫຼາຍຢ່າງອັດຕະໂນມັດທີ່ຍານສຳຫຼວດດາວອັງຄານຕ້ອງປະຕິບັດ, ລວມທັງການເກັບກຳ ແລະວິເຄາະຕົວຢ່າງດິນດາວອັງຄານ.

ຍານສຳຫຼວດ ExoMars Roslanind Franklin ຈະສາມາດເຈາະເລິກລົງໄປໃນດິນ Martian ໄດ້ຢ່າງໜ້ອຍ XNUMX ແມັດ. ໃນຄວາມເລິກນີ້, ຈຸລິນຊີໃດໆທີ່ອາໄສຢູ່ນັ້ນຈະບໍ່ຖືກຂ້າຕາຍໂດຍແສງ UV ຂອງແສງຕາເວັນ. ນີ້ເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ rover ສາມາດຊອກຫາເຊື້ອແບັກທີເຣັຍທີ່ມີຊີວິດຢູ່. ເຖິງແມ່ນວ່າບໍ່ພົບຕົວຢ່າງເຊື້ອແບັກທີເຣັຍທີ່ມີຊີວິດຢູ່, ມັນເປັນໄປໄດ້ວ່າເຄື່ອງເຈາະອາດຈະພົບເຫັນຫຼັກຖານຟອດຊິວທໍາຂອງຊີວິດເທິງດາວອັງຄານ, ເຊິ່ງຍຶດຫມັ້ນຈາກຍຸກກ່ອນຫນ້າໃນເວລາທີ່ດາວເຄາະມີຄວາມເປັນມິດກັບຊີວິດ. ຕົວ​ຢ່າງ​ທີ່​ເຄື່ອງ​ເຈາະ​ຂອງ​ຍານ​ສຳ​ຫຼວດ​ພົບ​ຈະ​ຖືກ​ມອບ​ໃຫ້​ກັບ​ເຄື່ອງ​ມື​ທີ່​ເອີ້ນ​ວ່າ Mass spectrometer ເພື່ອ​ຈຸດ​ປະ​ສົງ​ຂອງ​ການ​ວິ​ເຄາະ.

ຈຸດປະສົງຂອງ spectrometer ມະຫາຊົນແມ່ນເພື່ອສຶກສາການແຜ່ກະຈາຍຂອງມະຫາຊົນໃນ ions ທີ່ພົບເຫັນຢູ່ໃນຕົວຢ່າງຫນຶ່ງ. ນີ້ແມ່ນເຮັດສໍາເລັດໂດຍການໃຊ້ເລເຊີໃສ່ຕົວຢ່າງດິນ, ເຊິ່ງເຮັດໃຫ້ໂມເລກຸນໃນຕົວຢ່າງຂອງດິນ, ແລະຫຼັງຈາກນັ້ນການຄິດໄລ່ມະຫາຊົນປະລໍາມະນູຈາກໂມເລກຸນທີ່ແຕກຕ່າງກັນ. ຂະບວນການນີ້ຜະລິດ spectrum ມະຫາຊົນ, ເຊິ່ງນັກຄົ້ນຄວ້າຈະວິເຄາະເພື່ອແນມເບິ່ງວ່າເປັນຫຍັງຮູບແບບຂອງ spikes ທີ່ເຂົາເຈົ້າເຫັນຢູ່ໃນ spectrum ອາດຈະເກີດຂຶ້ນ. ມີບັນຫາກັບ spectrums ທີ່ຜະລິດໂດຍ mass spectrometer, ແນວໃດກໍ່ຕາມ. ທາດປະສົມຕ່າງໆຜະລິດແນວພັນທີ່ຫຼາກຫຼາຍຂອງ spectrum ທີ່ແຕກຕ່າງກັນ. ມັນເປັນການປິດສະໜາເພື່ອວິເຄາະກຸ່ມມະຫາຊົນ ແລະກຳນົດວ່າທາດປະສົມໃດຢູ່ໃນຕົວຢ່າງ, ແຕ່ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກອາດຈະຊ່ວຍໄດ້.

ນັກຄົ້ນຄວ້າກໍາລັງສຶກສາແຮ່ທາດທີ່ເອີ້ນວ່າ montmorillonite. Montmorillonite ແມ່ນພົບເຫັນທົ່ວໄປຢູ່ໃນດິນ Martian, ແລະນັກຄົ້ນຄວ້າມີຈຸດປະສົງເພື່ອເຂົ້າໃຈວິທີການແຮ່ທາດສາມາດສະແດງຕົວຂອງມັນເອງພາຍໃນຂອບເຂດມະຫາຊົນ. ທີມງານຂອງນັກຄົ້ນຄວ້າປະກອບມີຕົວຢ່າງ montmorillonite ເພື່ອເບິ່ງວ່າຜົນຜະລິດຂອງ spectrometer ມະຫາຊົນມີການປ່ຽນແປງ, ໃຫ້ພວກເຂົາຂໍ້ຄຶດກ່ຽວກັບສິ່ງທີ່ແຮ່ທາດຢູ່ໃນຂອບເຂດມະຫາຊົນ. ສູດການຄິດໄລ່ AI ຈະຊ່ວຍນັກຄົ້ນຄວ້າໃນການສະກັດເອົາຮູບແບບທີ່ມີຄວາມຫມາຍຈາກ spectrometer ມະຫາຊົນ.

ດັ່ງທີ່ Lyness ໄດ້ຖືກອ້າງອີງໂດຍ IEEE Spectrum:

"ມັນອາດໃຊ້ເວລາດົນທີ່ຈະທໍາລາຍສະເປກຣໍາແລະເຂົ້າໃຈວ່າເປັນຫຍັງເຈົ້າຈຶ່ງເຫັນຈຸດສູງສຸດຂອງ [ມະຫາຊົນ] ທີ່ແນ່ນອນໃນສະເປກຕລ. ສະນັ້ນ ສິ່ງໃດທີ່ເຈົ້າສາມາດເຮັດໄດ້ເພື່ອຊີ້ໃຫ້ນັກວິທະຍາສາດເຂົ້າໄປໃນທິດທາງທີ່ເວົ້າວ່າ, 'ຢ່າກັງວົນ, ຂ້ອຍຮູ້ວ່າມັນບໍ່ແມ່ນສິ່ງປະເພດນີ້ ຫຼືແບບນັ້ນ,' ເຂົາເຈົ້າສາມາດລະບຸສິ່ງທີ່ຢູ່ໃນນັ້ນໄດ້ໄວຂຶ້ນ.”

ອີງຕາມ Lyness, ພາລະກິດ ExoMars ຈະເປັນກໍລະນີທົດສອບທີ່ດີເລີດສໍາລັບ AI algorithms ທີ່ຖືກອອກແບບມາເພື່ອຊ່ວຍຕີຄວາມຫມາຍຂອງມະຫາຊົນທີ່ສ້າງຂຶ້ນໂດຍຕົວຢ່າງ.

ມີຄໍາຮ້ອງສະຫມັກທີ່ມີທ່າແຮງອື່ນໆສໍາລັບ AI ແລະການຮຽນຮູ້ເຄື່ອງຈັກໃນພາກສະຫນາມຂອງດາລາສາດ. Drone Dragonfly, ແລະອາດຈະເປັນອີກພາລະກິດໃນອະນາຄົດ, ຈະດໍາເນີນການຢູ່ໄກຈາກໂລກແລະໃນສະພາບແວດລ້ອມທີ່ຮຸນແຮງແລະມັນຈະຮຽກຮ້ອງໃຫ້ມີລັກສະນະອັດຕະໂນມັດຂອງການນໍາທາງແລະການສົ່ງຂໍ້ມູນ.