НАСА будет использовать машинное обучение для улучшения поиска инопланетной жизни на Марсе

Исследователи НАСА усердно работают над пилотной системой искусственного интеллекта, призванной помочь будущим исследовательским миссиям найти доказательства жизни на других планетах нашей солнечной системы. Алгоритмы машинного обучения помогут исследовательским устройствам анализировать образцы почвы на Марсе и возвращать наиболее важные данные в НАСА. Пилотную программу в настоящее время планируется провести в тестовом режиме. миссия ЭкзоМарс который увидит его запуск в середине 2022 года.

Как сообщает IEEE Spectrum, решение использовать машинное обучение и искусственный интеллект для помощи в поиске жизни на других планетах было принято в основном Эрис Лайнесс, главой Лаборатория планетарных сред Годдарда в НАСА. Лайнессу нужно было придумать способы автоматизации аспектов геохимического анализа образцов, взятых в других частях нашей Солнечной системы. Лайнесс решил, что машинное обучение может помочь автоматизировать многие задачи, которые должны выполнять исследовательские корабли, такие как марсоходы, включая сбор и анализ образцов марсианского грунта.

Марсоход ExoMars Roslanind Franklin сможет бурить марсианский грунт глубиной не менее двух метров. На такой глубине любые микробы, живущие там, не будут убиты солнечным ультрафиолетовым светом. Это позволяет марсоходу найти живые бактерии. Даже если образцы живых бактерий не будут найдены, вполне возможно, что дрель найдет окаменелые свидетельства жизни на Марсе, сохранившиеся с более ранних эпох, когда планета была более гостеприимной для жизни. Образцы, которые найдет дрель марсохода, будут переданы в прибор, называемый масс-спектрометром, для анализа.

Целью масс-спектрометра является изучение распределения массы ионов, обнаруженных в данном образце. Это достигается с помощью лазера на образце почвы, который высвобождает молекулы в образце почвы, а затем рассчитывается атомная масса по различным молекулам. Этот процесс создает масс-спектр, который исследователи будут анализировать, чтобы понять, почему могут возникать паттерны всплесков, которые они видят в спектре. Однако есть проблема со спектрами, генерируемыми масс-спектрометром. Различные соединения производят широкий спектр различных спектров. Анализировать масс-спектр и определять, какие соединения находятся в образце, — загадка, но алгоритмы машинного обучения могут помочь.

Исследователи изучают минерал под названием монтмориллонит. Монтмориллонит обычно встречается в марсианской почве, и исследователи стремятся понять, как минерал может проявлять себя в спектре масс. Команда исследователей включает образцы монтмориллонита, чтобы увидеть, как меняется выходной сигнал масс-спектрометра, что дает им ключ к пониманию того, как минерал выглядит в масс-спектре. Алгоритмы ИИ помогут исследователям извлекать значимые закономерности из масс-спектрометра.

Как цитирует Лайнесс IEEE Spectrum:

«Может потребоваться много времени, чтобы действительно разбить спектр и понять, почему вы видите пики при определенных [массах] в спектре. Так что все, что вы можете сделать, чтобы указать ученым направление, которое говорит: «Не волнуйтесь, я знаю, что это не то или это», они смогут быстрее определить, что там находится».

По словам Лайнесса, миссия ExoMars станет отличной проверкой алгоритмов искусственного интеллекта, разработанных для помощи в интерпретации масс-спектров, генерируемых образцами.

Есть и другие потенциальные приложения для искусственного интеллекта и машинного обучения в области астробиологии. Дрон Стрекоза, и, возможно, еще одна будущая миссия, будет работать дальше от Земли и в более суровых условиях, и для этого потребуется автоматизировать аспекты навигации и передачи данных.