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

Onderzoekers bij NASA werken hard 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-algoritmes 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 genomen in andere delen van ons zonnestelsel 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 Martian bodemmonsters.

De ExoMars-rover Roslanind Franklin zal in staat zijn om minstens twee meter diep in de Martian 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, die zijn overgebleven uit eerdere perioden toen de planeet meer geschikt was voor leven. De monsters die de rover’s boor vindt, zullen worden gegeven aan een instrument genaamd een massaspectrometer voor analyse.

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

De onderzoekers bestuderen een mineraal genaamd montmorillonite. Montmorillonite wordt vaak aangetroffen in de Martian bodem, en de onderzoekers proberen te begrijpen hoe het mineraal zich kan manifesteren in een massaspectrum. Het team van onderzoekers voegt montmorillonite-monsters toe om te zien hoe de uitvoer van de massaspectrometer verandert, waardoor ze aanwijzingen krijgen over hoe het mineraal eruitziet in een massaspectrum. De AI-algoritmes 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 echt een spectrum te analyseren en te begrijpen waarom je pieken ziet op bepaalde massa’s in het spectrum. 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 is of dat soort ding’, kunnen ze sneller identificeren wat erin zit.”

Volgens Lyness zal de ExoMars-missie een excellente testcase zijn voor de AI-algoritmes die zijn ontworpen om de massaspectra te helpen interpreteren.

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 ruigere omgevingen opereren en zullen aspecten van navigatie en gegevensoverdracht moeten automatiseren.