NASA သည် အင်္ဂါဂြိုဟ်ပေါ်ရှိ ဂြိုလ်သားသက်ရှိများကို ရှာဖွေမှုကို မြှင့်တင်ရန် Machine Learning ကို အသုံးပြုမည်ဖြစ်သည်။

NASA မှ သုတေသီများသည် ကျွန်ုပ်တို့၏ နေအဖွဲ့အစည်းအတွင်းရှိ အခြားဂြိုလ်များ၏ သက်ရှိအထောက်အထားများကို အနာဂတ်ရှာဖွေရေးမစ်ရှင်များ ရှာဖွေရာတွင် အထောက်အကူဖြစ်စေရန် ရည်ရွယ်သည့် ရှေ့ပြေး AI စနစ်အား ကြိုးစားလုပ်ဆောင်နေပါသည်။ စက်သင်ယူမှု အယ်လဂိုရီသမ်များသည် စူးစမ်းလေ့လာရေးကိရိယာများက အင်္ဂါဂြိုဟ်ပေါ်ရှိ မြေနမူနာများကို ခွဲခြမ်းစိတ်ဖြာပြီး အသက်ဆိုင်ဆုံးဒေတာကို NASA သို့ ပြန်ပို့ပေးရန် ကူညီပေးပါမည်။ စမ်းသပ်ကာလတွင် စမ်းသပ်လုပ်ဆောင်ရန် လောလောဆယ်တွင် ရှေ့ပြေးအစီအစဉ်ကို စီစဉ်ထားသည်။ ExoMars မစ်ရှင် ၎င်းသည် 2022 နှစ်လယ်တွင် စတင်ရောင်းချမည်ဖြစ်သည်။

IEEE Spectrum ၏ ဖော်ပြချက်အရ သိရသည်။အခြားဂြိုလ်များပေါ်ရှိ သက်ရှိများကို ရှာဖွေရာတွင် အထောက်အကူဖြစ်စေရန် စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တုကို အသုံးပြုရန် ဆုံးဖြတ်ချက်ကို အကြီးအကဲ Erice Lyness က တွန်းအားပေးခဲ့သည်။ Goddard Planetary Environments Lab NASA မှာ ကျွန်ုပ်တို့၏နေအဖွဲ့အစည်း၏ အခြားအစိတ်အပိုင်းများတွင် ယူထားသောနမူနာများ၏ ဘူမိဓာတုဗေဒခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ကဏ္ဍများကို အလိုအလျောက်ပြုလုပ်ရန် Lyness လိုအပ်ပါသည်။ Lyness သည် အင်္ဂါဂြိုလ်နမူနာများကို စုဆောင်းခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအပါအဝင် အင်္ဂါဂြိုဟ်နမူနာများကို စုဆောင်းခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအပါအဝင် စူးစမ်းရှာဖွေရေးယာဉ်ကဲ့သို့ လုပ်ဆောင်ရမည့် လုပ်ငန်းများစွာကို အလိုအလျောက်လုပ်ဆောင်ရန် စက်သင်ယူခြင်းမှ ကူညီပေးနိုင်ကြောင်း Lyness မှ ဆုံးဖြတ်ခဲ့သည်။

ExoMars ဆင်းယာဉ် Roslanind Franklin သည် မာတီယန်မြေပြင်အတွင်းသို့ အနည်းဆုံး နှစ်မီတာအနက်မှ တူးဖော်နိုင်မည်ဖြစ်သည်။ ဤအတိမ်အနက်တွင်၊ နေ၏ခရမ်းလွန်ရောင်ခြည်ကြောင့် ထိုနေရာတွင်နေထိုင်သော ရောဂါပိုးမွှားများကို သေစေမည်မဟုတ်ပါ။ ယင်းကြောင့် ရိုဗာသည် သက်ရှိ ဘက်တီးရီးယားများကို ရှာဖွေတွေ့ရှိနိုင်စေသည်။ သက်ရှိဗက်တီးရီးယားနမူနာများကို မတွေ့ရှိရသော်လည်း အဆိုပါ လေ့ကျင့်မှုတွင် အင်္ဂါဂြိုဟ်ပေါ်ရှိ သက်ရှိများ၏ ရုပ်ကြွင်းအထောက်အထားများကို ရှာဖွေတွေ့ရှိနိုင်ကာ အစောပိုင်းကာလများက ဂြိုလ်သည် သက်ရှိများကို ဧည့်ဝတ်ကျေအောင် ထိန်းထားနိုင်ခဲ့သည်။ Rover ၏ လေ့ကျင့်မှုတွင် တွေ့ရှိသော နမူနာများကို ခွဲခြမ်းစိတ်ဖြာရန် ရည်ရွယ်ချက်အတွက် mass spectrometer ဟုခေါ်သော ကိရိယာတစ်ခုအား ပေးအပ်မည်ဖြစ်သည်။

mass spectrometer ၏ရည်ရွယ်ချက်မှာ ပေးထားသောနမူနာတစ်ခုအတွင်းတွေ့ရှိရသော အိုင်းယွန်းများအတွင်း ဒြပ်ထုများပျံ့နှံ့မှုကို လေ့လာရန်ဖြစ်သည်။ မြေဆီလွှာနမူနာရှိ မော်လီကျူးများကို ဖယ်ရှားပေးပြီး မတူညီသော မော်လီကျူးများမှ အက်တမ်ဒြပ်ထုကို တွက်ချက်ပေးသည့် မြေနမူနာပေါ်ရှိ လေဆာရောင်ခြည်ကို အသုံးပြုခြင်းဖြင့် ၎င်းကို ပြီးမြောက်စေသည်။ ဤလုပ်ငန်းစဉ်သည် အစုလိုက်အပြုံလိုက် ရောင်စဉ်ကို ထုတ်ပေးသည်၊၊ သုတေသီများသည် ရောင်စဉ်အတွင်း ၎င်းတို့မြင်နေရသည့် အပေါက်ပုံစံများ အဘယ်ကြောင့် ဖြစ်ပေါ်နိုင်ကြောင်း ပိုင်းခြားသိမြင်နိုင်စေရန် ခွဲခြမ်းစိတ်ဖြာမည်ဖြစ်သည်။ သို့သော် mass spectrometer မှထုတ်ပေးသော spectrum များတွင် ပြဿနာရှိနေသည်။ အမျိုးမျိုးသော ဒြပ်ပေါင်းများသည် မတူညီသော ရောင်စဉ်မျိုးစုံကို ထုတ်လုပ်သည်။ အစုလိုက်အပြုံလိုက် spectrum ကိုခွဲခြမ်းစိတ်ဖြာပြီး နမူနာအတွင်းတွင် မည်သည့်ဒြပ်ပေါင်းများကို ဆုံးဖြတ်ရန် ပဟေဠိတစ်ခုဖြစ်သော်လည်း စက်သင်ယူမှု algorithms က ကူညီပေးနိုင်ပါသည်။

သုတေသီများသည် montmorillonite ဟုခေါ်သော ဓာတ်သတ္တုတစ်မျိုးကို လေ့လာနေကြသည်။ Montmorillonite သည် Martian မြေဆီလွှာတွင် သာမာန်အားဖြင့် တွေ့ရှိရပြီး သုတေသီများသည် ဓာတ်သတ္တုအစုလိုက်အပြုံလိုက် ရောင်စဉ်အတွင်း မည်သို့ထင်ရှားနိုင်ကြောင်း နားလည်ရန် ရည်မှန်းထားသည်။ သုတေသီအဖွဲ့သည် ဒြပ်ထု spectrometer ၏အထွက်နှုန်းကိုမည်သို့ပြောင်းလဲသွားသည်ကိုကြည့်ရန် montmorillonite နမူနာများပါဝင်ပြီး ဒြပ်ထုအတွင်းသတ္တု၏ပုံသဏ္ဍာန်ကို သဲလွန်စပေးသည်။ AI algorithms သည် mass spectrometer မှ အဓိပ္ပါယ်ရှိသော ပုံစံများကို ထုတ်ယူရာတွင် သုတေသီများအား ကူညီပေးပါမည်။

Lyness ကို IEEE Spectrum မှ ကိုးကား၍

“ရပ်ဝန်းတစ်ခုကို အမှန်တကယ် ခွဲခြမ်းစိပ်ဖြာရန် အချိန်အတော်ကြာနိုင်ပြီး ရောင်စဉ်အတွင်း အချို့သော [အစုလိုက်အပြုံလိုက်) တွင် အမြင့်ဆုံးများကို မြင်နေရသည်ကို နားလည်ရန် အချိန်ကြာမြင့်နိုင်သည်။ ဒါကြောင့် သိပ္ပံပညာရှင်တွေကို 'စိတ်မပူပါနဲ့ အဲဒါက ဒီလိုမျိုး မဟုတ်ဘူးဆိုတာ ငါသိပါတယ်' လို့ ညွှန်ပြတဲ့ လမ်းကြောင်းတစ်ခုဆီကို သိပ္ပံပညာရှင်တွေကို ညွှန်ပြနိုင်တဲ့ ဘယ်အရာမဆို သူတို့ အဲဒီမှာရှိတဲ့ အရာတွေကို ပိုပြီး မြန်မြန်ဆန်ဆန် ဖော်ထုတ်နိုင်မှာပါ။

Lyness ၏ အဆိုအရ ExoMars မစ်ရှင်သည် နမူနာများမှ ထုတ်ပေးသော အစုလိုက်အပြုံလိုက် spectrum များကို အနက်ဖွင့်ဆိုနိုင်ရန် ဒီဇိုင်းထုတ်ထားသည့် AI algorithms အတွက် အကောင်းဆုံး စမ်းသပ်မှုတစ်ခု ဖြစ်လာမည်ဖြစ်သည်။

နက္ခတ္တဗေဒနယ်ပယ်တွင် AI နှင့် စက်သင်ယူခြင်းအတွက် အခြားအလားအလာရှိသော application များရှိပါသည်။ Dragonfly ဒရုန်းနှင့် နောက်ထပ်ဖြစ်နိုင်ချေရှိသော အနာဂတ်မစ်ရှင်သည် ကမ္ဘာနှင့်ဝေးကွာသော ကြမ်းတမ်းသောပတ်ဝန်းကျင်များတွင် လည်ပတ်မည်ဖြစ်ပြီး ၎င်းသည် အလိုအလျောက်လမ်းကြောင်းပြခြင်းနှင့် ဒေတာပေးပို့ခြင်းဆိုင်ရာ ကဏ္ဍများ လိုအပ်မည်ဖြစ်သည်။