NASA Använder För Närvarande A.I. för Rymdvetenskap

I ett utlåtande som släpptes av NASA förra månaden, sa myndigheten att A.I. har potentialen att hjälpa till att arbeta med några av de största problemen inom rymdvetenskap. A.I. kunde användas för att söka efter liv på andra planeter eller identifiera asteroider. NASA-forskare samarbetar med ledare inom AI-branschen, som Intel, IBM och Google. Tillsammans kan de tillämpa avancerade datoralgoritmer för att lösa några av dessa problem. 

Det finns vissa A.I.-teknologier som NASA förlitar sig på, som maskinlärande, för att tolka data. Dessa data kommer sedan att samlas in av teleskop, inklusive James Webb Space Teleskopet eller Transiting Exoplanet Survey Satellite, vid någon tidpunkt i framtiden.

Giada Arney, en astrobiolog vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland, hoppas att maskinlärande kan hjälpa henne och hennes team att hitta någon indikation på liv i data som kommer att samlas in av teleskopen och observatorierna. 

“Dessa teknologier är mycket viktiga, särskilt för stora datamängder och särskilt inom exoplanet-området”, sa Arney i uttalandet. “Eftersom de data vi kommer att få från framtida observationer kommer att vara glesa och bullriga. Det kommer att vara mycket svårt att förstå. Så att använda dessa typer av verktyg har så stor potential att hjälpa oss.”

NASA kör ett åtta veckor långt program varje sommar som samlar ledare inom teknik- och rymdsektorerna, kallat Frontier Development (FDL).

Shawn Domagl-Goldman är en NASA Goddard-astrobiolog. 

“FDL känns som riktigt bra musiker med olika instrument som samlas för en jam-session i garaget, hittar något riktigt coolt och säger: ‘Hey, vi har ett band här'”, sa han i uttalandet.

Tillbaka 2018 utvecklade ett FDL-team, som handledades av Domagal-Goldman och Arney, en maskinlärandeteknik som förlitar sig på neuronnät. De analyserar bilder och identifierar kemien i exoplaneter genom att använda våglängderna av ljus som emitteras eller absorberas av molekyler i deras atmosfär. 

Genom att använda denna nya teknik kunde forskare identifiera olika molekyler i atmosfären på WASP-12b, en exoplanet. Tekniken gjorde detta mer exakt än andra metoder. 

Enligt Domagal-Goldman kan neuronnätet också identifiera när det finns en brist på data. Den bayesiska tekniken, som det kallas, kan också tala om för forskare hur säker det är på sin förutsägelse. 

“På platser där datan inte var tillräckligt bra för att ge ett riktigt exakt resultat, var den här modellen bättre på att veta att den inte var säker på svaret, vilket är riktigt viktigt om vi ska lita på dessa förutsägelser”, sa Domagal-Goldman.

Den bayesiska tekniken utvecklas fortfarande, men andra FDL-teknologier används i den riktiga världen. Redan 2017 utvecklades ett maskinlärande-program av FDL-deltagare som kunde skapa 3D-modeller av närliggande asteroider snabbt. Det kunde också uppskatta deras former, storlekar och rotationshastigheter med stor noggrannhet. Den här typen av information är användbar för NASA för att upptäcka och avleda asteroider som hotar jorden. 

Astronomer använder traditionellt enkel datorprogramvara för att skapa 3D-modeller, och det analyserar radar-mätningar av en rörlig asteroid. Det ger sedan användbar information för att hjälpa forskare att dra slutsatser om dess fysiska egenskaper baserat på förändringar i radar-signalen. 

Bill Diamond är SETI:s president och verkställande direktör. 

“En skicklig astronom med standardberäkningsresurser kunde forma en enda asteroid på en till tre månader”, sa Diamond. “Så frågan för forskarteamet var: Kan vi påskynda det?”

Teamet, som bestod av studenter från Frankrike, Sydafrika och USA, tillsammans med handledare från akademin och teknikföretaget Nividia, utvecklade en algoritm som kunde återge en asteroid på så lite som fyra dagar. Tekniken används för närvarande av astronomer vid Arecibo-observatoriet i Puerto Rico, och den gör realtidsformmodellering av asteroiderna. 

Forskare föreslår också att A.I.-teknologier byggs in i framtida rymdfarkoster, och att det skulle tillåta rymdfarkosterna att fatta beslut i realtid.

“A.I.-metoder kommer att hjälpa oss att frigöra bearbetningskraft från våra egna hjärnor genom att göra mycket av det första arbetet på svåra uppgifter”, sa Arney. “Men dessa metoder kommer inte att ersätta människor inom en snar framtid, eftersom vi fortfarande kommer att behöva kontrollera resultaten.”