NASA använder för närvarande AI för rymdvetenskap

I en uttalande som släpptes av NASA förra månaden, sa byrån att AI har potential att hjälpa till att arbeta med några av de största problemen inom rymdvetenskap. AI kan 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 AI-tekniker som NASA förlitar sig på, till exempel maskininlärning, för att tolka data. Dessa data kommer sedan att samlas in av teleskop, inklusive James Webb Space Teleskop eller Transiting Exoplanet Survey Satellite, någon gång i framtiden.

Giada Arney, en astrobiolog vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland, hoppas att maskininlärning kan hjälpa henne och hennes team att hitta en indikation på livet i data som kommer att samlas in av teleskop och observatorier. 

"Dessa teknologier är mycket viktiga, särskilt för stora datamängder och speciellt inom exoplanetfältet," sa Arney i uttalandet. "Eftersom data vi kommer att få från framtida observationer kommer att vara sparsam och bullrig. Det kommer att bli riktigt svårt att förstå. Så att använda den här typen av verktyg har så mycket potential att hjälpa oss.”

NASA driver 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 några riktigt bra musiker med olika instrument som träffas för en jamsession i garaget, hittar något riktigt coolt och säger "Hej, vi har ett band här", sa han i uttalandet.

Redan 2018 fick ett FDL-team mentorskap av Domagal-Goldman och Arney, och de utvecklade en maskininlärningsteknik som bygger på neurala nätverk. De analyserar bilder och identifierar exoplaneternas kemi 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 av WASP-12b, en exoplanet. Tekniken gjorde detta mer exakt än andra metoder. 

Enligt Domagal-Goldman kan det neurala nätverket också identifiera när det saknas data. Den Bayesianska tekniken, som den kallas, kan också berätta för forskare hur säker den är på sin förutsägelse. 

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

Den Bayesianska tekniken utvecklas fortfarande, men andra FDL-tekniker används i den verkliga världen. År 2017 utvecklades ett maskininlärningsprogram av FDL-deltagare som snabbt kunde skapa 3D-modeller av närliggande asteroider. Det kan också exakt uppskatta deras former, storlekar och snurrhastigheter. Den här typen av information är användbar för NASA att upptäcka och avleda asteroider som hotar jorden. 

Astronomer använder traditionellt enkel datormjukvara för att skapa 3D-modeller, och den analyserar radarmätningar av en rörlig asteroid. Den ger sedan användbar information för att hjälpa forskare att sluta sig till dess fysiska egenskaper baserat på förändringar i radarsignalen. 

Bill Diamond är SETI:s president och verkställande direktör. 

"En skicklig astronom med standardberäkningsresurser kan forma en enda asteroid på en till tre månader," sa Diamond. "Så frågan till forskargruppen var: Kan vi påskynda det?"

Teamet bestående av studenter från Frankrike, Sydafrika och USA, tillsammans med mentorer från akademin och teknikföretaget Nividia, utvecklade en algoritm som kan rendera en asteroid på så lite som fyra dagar. Tekniken används för närvarande av astronomer vid Arecibo-observatoriet i Puerto Rico, och den gör formmodellering av asteroiderna i realtid. 

Forskare föreslår också att AI-teknik byggs in i framtida rymdfarkoster och att det skulle göra det möjligt för rymdfarkosten att fatta beslut i realtid.

"AI-metoder kommer att hjälpa oss att frigöra processorkraft från våra egna hjärnor genom att göra mycket av det inledande legworket på svåra uppgifter," sa Arney. "Men de här metoderna kommer inte att ersätta människor någon gång snart, eftersom vi fortfarande behöver kontrollera resultaten."