NASA ska använda maskinlärning för att förbättra sökandet efter tecken på liv på Mars

Forskare på NASA har arbetat hårt med ett pilotsystem för artificiell intelligens som är tänkt att hjälpa framtida utforskningsexpeditioner att hitta tecken på liv på andra planeter i vårt solsystem. Maskinlärningsalgoritmer kommer att hjälpa utforskningsenheter att analysera jordprover på Mars och returnera den mest relevanta data till NASA. Pilotprogrammet är för närvarande planerat att testas under ExoMars-uppdraget som kommer att skjutas upp i mitten av 2022.

Enligt IEEE Spectrum var beslutet att använda maskinlärning och artificiell intelligens för att hjälpa sökandet efter liv på andra planeter till stor del driven av Erice Lyness, chef för Goddard Planetary Environments Lab på NASA. Lyness behövde komma på sätt att automatisera aspekter av geokemisk analys av prover tagna i andra delar av vårt solsystem. Lyness beslutade att maskinlärning kunde hjälpa till att automatisera många av de uppgifter som utforskningsfarkoster som Mars-roverna måste utföra, inklusive insamling och analys av jordprover från Mars.

ExoMars-rovern Rosalind Franklin kommer att kunna borra minst två meter djupt in i den marina jorden. På denna djup kommer eventuella mikrober som lever där inte att ha dött av solens UV-ljus. Detta gör det möjligt att rovern kan hitta levande bakterier. Även om inga levande bakterieprover hittas, är det möjligt att borrningen kan hitta fossiliserade bevis på liv på Mars, kvar från tidigare epoker när planeten var mer gästvänlig för liv. Proverna som rovern hittar kommer att ges till ett instrument som kallas masspektrometer för analys.

Masspektrometerns syfte är att studera fördelningen av massa i jonerna i ett visst prov. Detta uppnås genom att använda en laser på jordprovet, som frigör molekyler i jordprovet, och sedan beräkna atommassan från de olika molekylerna. Detta process skapar ett massspektrum, som forskare kommer att analysera för att förstå varför mönstren av toppar de ser i spektret kan förekomma. Det finns ett problem med de spektra som genereras av masspektrometern, dock. Olika föreningar producerar en mängd olika spektra. Det är ett pussel att analysera ett massspektrum och bestämma vilka föreningar som finns i provet, men maskinlärningsalgoritmer kan kanske hjälpa till.

Forskarna studerar en mineral som kallas montmorillonit. Montmorillonit är vanligt förekommande i den marina jorden, och forskarna syftar till att förstå hur mineralet kan manifestera sig i ett massspektrum. Forskarteamet inkluderar montmorillonitprover för att se hur utdata från masspektrometern förändras, vilket ger dem ledtrådar om hur mineralet ser ut i ett massspektrum. AI-algoritmerna kommer att hjälpa forskarna att extrahera meningsfulla mönster från masspektrometern.

Som Lyness citerades av IEEE Spectrum:

“Det kan ta lång tid att verkligen bryta ner ett spektrum och förstå varför man ser toppar vid vissa massor i spektret. Så allt man kan göra för att peka forskare i en riktning som säger, ’Oröd dig, jag vet att det inte är den här sortens sak eller den där sortens sak’, kan de snabbare identifiera vad som finns där.”

Enligt Lyness kommer ExoMars-uppdraget att vara ett utmärkt testfall för AI-algoritmerna som är utformade för att hjälpa till att tolka massspektra genererade av prover.

Det finns andra potentiella tillämpningar för AI och maskinlärning inom området astrobiologi. Dragonfly-drönaren och potentiellt ett annat framtida uppdrag kommer att operera längre bort från jorden och i hårdare miljöer och kommer att kräva automatisering av aspekter av navigation och dataöverföring.