НАСА использует машинное обучение для улучшения поиска внеземной жизни на Марсе

Исследователи в НАСА работают над пилотной системой ИИ, предназначенной для помощи будущим миссиям по поиску жизни на других планетах нашей солнечной системы. Алгоритмы машинного обучения помогут устройствам анализировать образцы почвы на Марсе и возвращать наиболее актуальные данные в НАСА. Пилотная программа в настоящее время запланирована для тестового запуска во время миссии ExoMars, которая стартует в середине 2022 года.

По сообщению 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 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 космические аппараты, такие как марсоходы, включая сбор и анализ образцов марсианской почвы.

Марсоход ExoMars Roslanind Franklin сможет бурить почву на глубину не менее двух метров. На этой глубине любые микроорганизмы, живущие там, не будут убиты ультрафиолетовым светом солнца. Это делает возможным, что марсоход может найти живые бактерии. Даже если не будут найдены живые бактерии, возможно, что бур может найти окаменелые доказательства жизни на Марсе, сохраненные 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 – изучить распределение массы в ионах, найденных в данном образце. Это достигается путем использования лазера на образце почвы, который освобождает 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 находятся 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 этот минерал может проявиться 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 извлечь осмысленные закономерности из масс-спектрометра.

По словам Лайнесса, процитированному IEEE Spectrum:

«Может потребоваться много времени, чтобы действительно разобрать спектр и понять, почему вы видите пики на определенных массах в спектре. Итак, все, что вы можете сделать, чтобы указать ученым, что «не беспокойтесь, я знаю, что это не тот вид вещи или тот вид вещи», они могут быстрее определить, что находится внутри».

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 на большем расстоянии от Земли и в более суровых условиях, и им потребуется автоматизация аспектов навигации и передачи данных.