NASA gebruikt machine learning om zoektocht naar buitenaards leven op Mars te verbeteren

Onderzoekers bij NASA hebben hard gewerkt aan een proef-AI-systeem dat bedoeld is om toekomstige verkenningmissies te helpen bij het vinden van bewijs van leven op andere planeten in ons zonnestelsel. Machine learning-algoritmen zullen helpen bij het analyseren van bodemmonsters op Mars en de meest relevante gegevens terugsturen naar NASA. Het proefprogramma staat momenteel gepland voor een testrun tijdens de ExoMars-missie die in het midden van 2022 gelanceerd zal worden.

Volgens IEEE Spectrum, was de beslissing om machine learning en kunstmatige intelligentie te gebruiken om de zoektocht naar leven op andere planeten te helpen, grotendeels gedreven door Erice Lyness, het hoofd van het Goddard Planetary Environments Lab bij NASA. Lyness moest manieren vinden om aspecten van geochemische analyses van monsters die in andere delen van ons zonnestelsel zijn genomen, te automatiseren. Lyness besloot dat machine learning kon helpen bij het automatiseren van veel taken die verkenningstuigen zoals de Mars-rover moeten uitvoeren, waaronder het verzamelen en analyseren van Martiaanse bodemmonsters.

De ExoMars-rover Roslanind Franklin zal in staat zijn om minstens twee meter diep in de Martiaanse bodem te boren. Op deze diepte zullen eventuele micro-organismen die daar leven, niet zijn gedood door het UV-licht van de zon. Dit maakt het mogelijk dat de rover levende bacteriën kan vinden. Zelfs als er geen levende bacteriën worden gevonden, is het mogelijk dat de boor fossiele bewijzen van leven op Mars kan vinden, overgebleven uit eerdere perioden toen de planeet meer geschikt was voor leven. De monsters die de boor van de rover vindt, zullen worden gegeven aan een instrument genaamd een massaspectrometer voor analyse.

De massaspectrometer heeft als doel het onderzoeken van de verdeling van massa in de ionen die in een bepaald monster worden aangetroffen. Dit gebeurt door middel van een laser op het bodemmonster, waardoor moleculen in het bodemmonster worden vrijgemaakt, en vervolgens de atoommassa van de verschillende moleculen te berekenen. Dit proces produceert een massaspectrum, dat onderzoekers zullen analyseren om te begrijpen waarom de patronen van pieken die zij in het spectrum zien, kunnen optreden. Er is echter een probleem met de spectrums die door de massaspectrometer worden gegenereerd. Verschillende verbindingen produceren een breed scala aan verschillende spectrums. Het is een puzzel om een massaspectrum te analyseren en te bepalen welke verbindingen in het monster aanwezig zijn, maar machine learning-algoritmen kunnen hierbij helpen.

De onderzoekers bestuderen een mineraal genaamd montmorilloniet. Montmorilloniet wordt gewoonlijk aangetroffen in de Martiaanse bodem, en de onderzoekers proberen te begrijpen hoe het mineraal zich kan manifesteren in een massaspectrum. Het team van onderzoekers voegt montmorilloniet-monsters toe om te zien hoe de uitvoer van de massaspectrometer verandert, waardoor zij aanwijzingen krijgen over hoe het mineraal eruitziet in een massaspectrum. De AI-algoritmen zullen de onderzoekers helpen bij het extraheren van betekenisvolle patronen uit de massaspectrometer.

Volgens Lyness, zoals geciteerd door IEEE Spectrum:

“Het kan een lange tijd duren om een spectrum echt af te breken en te begrijpen waarom je pieken op bepaalde [massa’s] in het spectrum ziet. Dus alles wat je kunt doen om wetenschappers in een richting te wijzen die zegt: ‘Maak je geen zorgen, ik weet dat het niet dit soort ding of dat soort ding is’, kunnen zij sneller identificeren wat erin zit.”

Volgens Lyness zal de ExoMars-missie een excellente testcase zijn voor de AI-algoritmen die zijn ontworpen om te helpen bij het interpreteren van de massaspectrums die door de monsters worden gegenereerd.

Er zijn andere potentiële toepassingen voor AI en machine learning in het veld van astrobiologie. De Dragonfly-drone, en mogelijk een andere toekomstige missie, zullen verder van de aarde en in ruwere omgevingen opereren en zullen het automatiseren van aspecten van navigatie en de transmissie van gegevens vereisen.