NASA bruker nå A.I. for romvitenskap

I en utleggelse fra NASA forrige måned, sa byrået at A.I. har potensial til å hjelpe med noen av de største problemene i romvitenskapen. A.I. kan brukes til å søke etter liv på andre planeter eller identifisere asteroider. NASA-forskere samarbeider med ledere i AI-bransjen, som Intel (INTC ), IBM og Google. Sammen kan de bruke avanserte datamaskinalgoritmer til å løse noen av disse problemene. 

Det finnes bestemte A.I.-teknologier som NASA avhenger av, som maskinlæring, for å tolke data. Disse dataene vil bli samlet inn av teleskoper, inkludert James Webb Space Teleskopet eller Transiting Exoplanet Survey Satellite, på et tidspunkt i fremtiden.

Giada Arney, en astrobiolog ved NASA’s Goddard Space Flight Center i Greenbelt, Maryland, håper at maskinlæring kan hjelpe henne og hennes team med å finne noen indikasjon på liv i data som vil bli samlet inn av teleskopene og observatoriene. 

“Disse teknologiene er veldig viktige, spesielt for store datasamlinger og spesielt i eksoplanetfeltet,” sa Arney i utleggelsen. “Fordi dataene vi skal få fra fremtidige observasjoner vil være sparsomme og støyende. Det vil være veldig vanskelig å forstå. Så å bruke slike verktøy har så mye potensial til å hjelpe oss.”

NASA kjører et åtte ukers program hver sommer som bringer sammen ledere i teknologi- og romsektoren, kalt Frontier Development (FDL).

Shawn Domagl-Goldman er en NASA Goddard-astrobiolog. 

“FDL føles som noen virkelig gode musikere med forskjellige instrumenter som kommer sammen for en jam-session i garasjen, finner noe virkelig kult og sier: ‘Hey, vi har et band her,'” sa han i utleggelsen.

Tilbake i 2018 utviklet et FDL-team, under ledelse av Domagal-Goldman og Arney, en maskinlæringsmetode som avhenger av neurale nettverk. De analyserer bilder og identifiserer kjemien i eksoplaneter ved å bruke bølgelengdene av lys som emitteres eller absorberes av molekyler i deres atmosfære. 

Ved å bruke denne nye metoden, kunne forskerne identifisere forskjellige molekyler i atmosfæren til WASP-12b, en eksoplanet. Metoden gjorde dette mer nøyaktig enn andre metoder. 

Ifølge Domagal-Goldman, kan neuralt nettverk også identifisere når det er mangel på data. Den bayesianske metoden, som den kalles, kan også fortelle vitenskapsmenn hvor sikre de er på sine prediksjoner. 

“På steder hvor dataene ikke var gode nok til å gi et virkelig nøyaktig resultat, var denne modellen bedre til å vite at den ikke var sikker på svaret, hvilket er veldig viktig hvis vi skal stole på disse prediksjonene,” sa Domagal-Goldman.

Den bayesianske metoden er fortsatt under utvikling, men andre FDL-teknologier brukes i den virkelige verden. Allerede i 2017 ble et maskinlæringsprogram utviklet av FDL-deltakere som kunne raskt lage 3D-modeller av nærliggende asteroider. Det kunne også nøyaktig estimere deres former, størrelser og rotasjonsrater. Denne typen informasjon er nyttig for NASA for å oppdage og avverge asteroider som truer jorden. 

Astronomer bruker tradisjonelt enkle dataprogrammer for å lage 3D-modeller, og de analyserer radar-målinger av en bevegelig asteroide. Den gir nyttig informasjon til å hjelpe vitenskapsmenn med å slutte seg til deres fysiske egenskaper basert på endringer i radar-signalet. 

Bill Diamond er SETI’s president og administrerende direktør. 

“En dyktig astronom med standard datamaskinressurser kunne forme en enkelt asteroide på én til tre måneder,” sa Diamond. “Så spørsmålet for forskningsteamet var: Kan vi akselerere det?”

Teamet bestående av studenter fra Frankrike, Sør-Afrika og USA, samt mentorer fra akademiske og teknologiske selskaper som Nividia, utviklet en algoritme som kunne rendre en asteroide på så lite som fire dager. Teknikken brukes nå av astronomer ved Arecibo-observatoriet på Puerto Rico, og den gjør sanntids-formmodellering av asteroidene. 

Forskere foreslår også at A.I.-teknologier skal bygges inn i fremtidige romfartøy, og at det vil tillate romfartøyet å ta sanntids-beslutninger.

“A.I.-metoder vil hjelpe oss med å frigjøre prosessorkraft fra våre egne hjerner ved å gjøre mye av det innledende arbeidet på vanskelige oppgaver,” sa Arney. “Men disse metodene vil ikke erstatte mennesker noen gang snart, fordi vi fortsatt vil trenge å sjekke resultater.”