NASA використовуватиме машинне навчання для покращення пошуку позаземного життя на Марсі

Дослідники в NASA працюють над пілотною системою штучного інтелекту, призначеною для допомоги майбутнім місіям з дослідження знайти докази життя на інших планетах нашої сонячної системи. Алгоритми машинного навчання допоможуть пристроям для дослідження аналізувати зразки ґрунту на Марсі та повертати найрелевантні дані в NASA. Пілотна програма зараз планується для тестового запуску під час місії ExoMars, яка запущена в середині 2022 року.

Як повідомляє IEEE Spectrum, рішення використовувати машинне навчання та штучний інтелект для допомоги у пошуку життя на інших планетах було прийнято в основному завдяки Еріці Лайнес, керівнику лабораторії планетарних середовищ Goddard в NASA. Лайнес потрібно було розробити способи автоматизації аспектів геохімічного аналізу зразків, взятих в інших частинах нашої сонячної системи. Лайнес вирішив, що машинне навчання може допомогти автоматизувати багато завдань, які космічні апарати, такі як марсоходи, повинні виконувати, включаючи збір та аналіз марсіанських зразків ґрунту.

Марсоход ExoMars Roslanind Franklin зможе бурити至少 два метри вглиб марсіанського ґрунту. На цій глибині будь-які мікроорганізми, що живуть там, не будуть вбиті ультрафіолетовим світлом сонця. Це робить можливим, що марсоход зможе знайти живі бактерії. Навіть якщо живі бактерії не будуть знайдені, можливо, що буріння знайде скам’янілі докази життя на Марсі, що збереглися з попередніх епох, коли планета була більш гостинною для життя. Зразки, знайдені бурінням марсохода, будуть передані приладові, званому мас-спектрометром, для аналізу.

Метою мас-спектрометра є вивчення розподілу маси в іонах, знайдених у даному зразку. Це досягається шляхом використання лазера на зразку ґрунту, який звільняє молекули в зразку ґрунту, а потім розрахування атомної маси з різних молекул. Це процес створює мас-спектр, який дослідники будуть аналізувати, щоб зрозуміти, чому вони бачать спайки в спектрі. Є проблема з спектрами, згенерованими мас-спектрометром, однак. Різні сполуки створюють широкий спектр різних спектрів. Це пазл аналізувати мас-спектр та визначити, які сполуки містяться в зразку, але алгоритми машинного навчання можуть допомогти.

Дослідники вивчають мінерал під назвою монтморилоніт. Монтморилоніт часто зустрічається в марсіанському ґрунті, і дослідники намагаються зрозуміти, як мінерал може проявлятися в мас-спектрі. Команда дослідників включає зразки монтморилоніту, щоб побачити, як вивід мас-спектрометра змінюється, давши їм підказки щодо того, як мінерал виглядає в мас-спектрі. Алгоритми штучного інтелекту допоможуть дослідникам витягувати значимі закономірності з мас-спектрометра.

Як Лайнес цитувався в IEEE Spectrum:

“Це може зайняти багато часу, щоб真正 розібрати спектр і зрозуміти, чому ви бачите піки в певних масах у спектрі. Тому все, що ви можете зробити, щоб вказати науковцям у напрямку, який говорить: «Не хвилюйтесь, я знаю, що це не такий тип чи інший тип», вони можуть швидше ідентифікувати, що там є”.

За словами Лайнеса, місія ExoMars буде відмінним тестовим випадком для алгоритмів штучного інтелекту, призначених для допомоги у інтерпретації мас-спектрів, згенерованих зразками.

Є інші потенційні застосування штучного інтелекту та машинного навчання в галузі астробіології. Дрон Dragonfly та потенційно інша майбутня місія будуть працювати далі від Землі та в більш жорстких умовах, і їм буде потрібно автоматизувати аспекти навігації та передачі даних.