NASA будет использовать машинное обучение для улучшения поиска внеземной жизни на Марсе

Исследователи в NASA работают над пилотной системой ИИ, предназначенной для помощи будущим миссиям по исследованию в поиске доказательств жизни на других планетах нашей солнечной системы. Алгоритмы машинного обучения помогут устройствам для исследования анализировать образцы почвы на Марсе и возвращать наиболее релевантные данные в NASA. Пилотная программа в настоящее время запланирована для тестового запуска во время миссии ExoMars, которая стартует 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 благодаря Эрику Лайнессу, руководителю лаборатории планетарных сред Goddard в NASA. 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 космические аппараты, такие как марсоходы, должны выполнять, включая сбор и анализ образцов марсианской почвы.

Марсоход ExoMars Roslanind Franklin сможет бурить как минимум два метра глубоко в марсианской почве. На этой глубине любые микробы, живущие там, не будут убиты ультрафиолетовым светом солнца. Это делает возможным, что марсоход сможет найти живые бактерии. Даже если не будут найдены живые бактерии, возможно, что бур может найти окаменелые доказательства жизни на Марсе, сохранившиеся с более ранних эпох, когда планета была более гостеприимной для жизни. Образцы, которые бур марсохода найдет, будут переданы инструменту под названием масс-спектрометр для анализа.

Цель масс-спектрометра – изучать распределение массы в ионах, найденных в данном образце. Это достигается путем использования лазера на образце почвы, который высвобождает молекулы в образце почвы, и затем рассчитывает атомную массу из разных молекул. Этот процесс производит масс-спектр, который исследователи будут анализировать, чтобы понять, почему они видят закономерности пиков в спектре. Однако существует проблема с спектрами, генерируемыми масс-спектрометром. Различные соединения производят широкий спектр разных спектров. Это головоломка – проанализировать масс-спектр и определить, какие соединения присутствуют в образце, 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 проявляться в масс-спектре. Команда исследователей включает образцы монтмориллонита, чтобы увидеть, как выход масс-спектрометра меняется, давая им подсказки о том, как минерал выглядит в масс-спектре. Алгоритмы ИИ помогут исследователям извлекать осмысленные закономерности из масс-спектрометра.

Как Лайнесс цитируется IEEE Spectrum:

“Может потребоваться много времени, чтобы действительно разложить спектр и понять, почему вы видите пики при определенных [массах] в спектре. Итак, все, что вы можете сделать, чтобы указать ученым в направлении, которое говорит: ‘Не беспокойтесь, я знаю, что это не тот вид вещи или тот вид вещи’, они могут быстрее определить, что в нем есть”.

По словам Лайнесса, миссия ExoMars будет отличным тестовым случаем для алгоритмов ИИ, предназначенных для помощи в интерпретации масс-спектров, генерируемых образцами.

Существуют другие потенциальные применения ИИ и машинного обучения в области астробиологии. Дрон Dragonfly и потенциально другая будущая миссия будут работать дальше от Земли и в более суровых условиях, и им потребуется автоматизация аспектов навигации и передачи данных.