NASA vil bruke maskinlæring for å forbedre søket etter fremmedliv på Mars

Forskere ved NASA har jobbet hardt med et pilot-AI-system som skal hjelpe fremtidige leteoppdrag med å finne bevis på liv på andre planeter i solsystemet vårt. Maskinlæringsalgoritmer vil hjelpe utforskningsenheter med å analysere jordprøver på Mars og returnere de mest relevante dataene til NASA. Pilotprogrammet er foreløpig planlagt for en testkjøring i løpet av ExoMars-oppdraget som vil bli lansert i midten av 2022.

Som IEEE Spectrum rapporterer, ble beslutningen om å bruke maskinlæring og kunstig intelligens for å hjelpe søket etter liv på andre planeter i stor grad drevet av Erice Lyness, lederen for Goddard Planetary Environments Lab hos NASA. Lyness trengte å komme opp med måter å automatisere aspekter ved geokjemiske analyser av prøver tatt i andre deler av solsystemet vårt. Lyness bestemte at maskinlæring kunne bidra til å automatisere mange av oppgavene som letefartøyer som Mars-roverne må utføre, inkludert innsamling og analyse av jordprøver fra mars.

ExoMars-roveren Roslanind Franklin vil være i stand til å bore minst to meter dypt ned i marsjorda. På denne dybden vil ikke mikrober som bor der ha blitt 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 boret kan finne fossile bevis på liv på Mars, holdt tilbake fra tidligere epoker da planeten var mer gjestfri for liv. Prøvene som roverens drill finner vil bli gitt til et instrument kalt et massespektrometer for analyseformål.

Massespektrometerets formål er å studere fordelingen av 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 atommassen fra de forskjellige molekylene. Denne prosessen produserer et massespekter, som forskere vil analysere for å finne ut hvorfor mønstrene av pigger de ser i spekteret kan oppstå. Det er imidlertid et problem med spektrene som genereres av massespektrometeret. Ulike forbindelser produserer et bredt utvalg av forskjellige spekter. Det er et puslespill å analysere et massespektrum og finne ut hvilke forbindelser som er i prøven, men maskinlæringsalgoritmer kan kanskje hjelpe.

Forskerne studerer et mineral kalt montmorillonitt. Montmorillonitt er ofte funnet i marsjorden, og forskerne tar sikte på å forstå hvordan mineralet kan manifestere seg innenfor et massespekter. Forskerteamet inkluderer montmorillonittprøver for å se hvordan utgangen fra massespektrometeret endres, og gir dem ledetråder om hvordan mineralet ser ut innenfor et massespekter. AI-algoritmene vil hjelpe forskerne med å trekke ut meningsfylte mønstre fra massespektrometeret.

Som Lyness ble sitert av IEEE Spectrum:

"Det kan ta lang tid å virkelig bryte ned et spektrum og forstå hvorfor du ser topper ved visse [masser] i spekteret. Så alt du kan gjøre for å peke forskere inn i en retning som sier: 'Ikke bekymre deg, jeg vet at det ikke er denne typen ting eller den slags ting', de kan raskere identifisere hva som er der.»

I følge Lyness vil ExoMars-oppdraget være et utmerket testcase for AI-algoritmene designet for å hjelpe til med å tolke massespektrene generert av prøver.

Det er andre potensielle bruksområder for AI og maskinlæring innen astrobiologi. Dragonfly-dronen, og potensielt et annet fremtidig oppdrag, vil operere lenger fra jorden og i tøffere miljøer, og det vil kreve automatisering av aspekter ved navigasjon og overføring av data.