NASA skal bruke maskinlæring til å forbedre søket etter utenomjordisk liv på Mars

Forskere ved NASA har arbeidet hardt på et pilotprosjekt for kunstig intelligens som skal hjelpe fremtidige utforskningsoppdrag med å finne bevis for liv på andre planeter i vårt solsystem. Maskinlæringsalgoritmer vil hjelpe utforskningsenhetene med å analysere jordprøver på Mars og returnere de mest relevante dataene til NASA. Pilotprogrammet er for tiden planlagt for en testkjøring under ExoMars-oppdraget som skal skytes opp midt i 2022.

Ifølge IEEE Spectrum, var beslutningen om å bruke maskinlæring og kunstig intelligens til å hjelpe med søket etter liv på andre planeter i hovedsak drevet av Erice Lyness, sjefen for Goddard Planetary Environments Lab ved NASA. Lyness måtte finne måter å automatisere aspekter ved geo-kjemiske analyser av prøver tatt i andre deler av vårt solsystem. Lyness bestemte seg for at maskinlæring kunne hjelpe med å automatisere mange av oppgavene som utforskningsfartøy som Mars-roverne må utføre, inkludert innhenting og analyse av jordprøver fra Mars.

ExoMars-roveren Rosalind Franklin vil kunne bore minst to meter dypt inn i marsjorden. På denne dybden vil eventuelle mikrober som lever der ikke bli drept av solens UV-lys. Dette gjør det mulig at roveren kan finne levende bakterier. Selv om ingen levende bakterieprøver blir funnet, er det mulig at boreprøven kan finne fossiliserte bevis for liv på Mars, som er bevart fra tidligere epoker da planeten var mer gjestmild mot liv. Prøvene som roverens borehull finner, vil bli gitt til et instrument kalt masspektrometer for analyse.

Masspektrometerets formål er å studere fordelt masse i ionene som finnes i en gitt prøve. Dette oppnås ved å bruke en laser på jordprøven, som frigjør molekyler i jordprøven, og deretter beregne atommasse fra de forskjellige molekylene. Denne prosessen produserer et massespektrum, som forskerne vil analysere for å finne ut hvorfor mønsteret av spisser de ser i spektrumet kan forekomme. Det er et problem med spektrene som genereres av masspektrometeret, imidlertid. Forskjellige forbindelser produserer en rekke forskjellige spektre. Det er en gåte å analysere et massespektrum og bestemme hvilke forbindelser som er i prøven, men maskinlæringsalgoritmer kan kanskje hjelpe.

Forskerne studerer et mineral kalt montmorillonitt. Montmorillonitt er vanligvis funnet i marsjorden, og forskerne forsøker å forstå hvordan mineralen kan manifestere seg i et massespektrum. Forskerlaget inkluderer montmorillonittprøver for å se hvordan utgangen av masspektrometeret endres, og gir dem hint om hva mineralen ser ut som i et massespektrum. AI-algoritmene vil hjelpe forskerne med å trekke meningsfulle mønster fra masspektrometeret.

Ifølge Lyness, som ble sitert av IEEE Spectrum:

“Det kan ta lang tid å virkelig bryte ned et spektrum og forstå hvorfor du ser toppene på bestemte [masser] i spektrumet. Så alt du kan gjøre for å peke forskerne i en retning som sier: ‘Bekymrer deg ikke, jeg vet det er ikke denne typen eller den typen ting’, kan de raskere identifisere hva som er der.”

Ifølge Lyness, vil ExoMars-oppdraget være en utmerket testfall for AI-algoritmene som er designet for å hjelpe med å tolke massespektra generert av prøver.

Det er andre potensielle anvendelser for AI og maskinlæring i feltet astrobiologi. Dragonfly-drone, og potensielt et annet fremtidig oppdrag, vil operere lenger unna jorden og i harde miljøer, og vil kreve automatisering av aspekter ved navigasjon og overføring av data.