NASA sẽ sử dụng Học máy để Cải thiện Tìm kiếm Đời sống Trên Sao Hỏa

Các nhà nghiên cứu tại NASA đã làm việc chăm chỉ trên một hệ thống AI thử nghiệm nhằm giúp các nhiệm vụ khám phá tương lai tìm bằng chứng về sự sống trên các hành tinh khác trong hệ thống mặt trời của chúng ta. Các thuật toán học máy sẽ giúp các thiết bị khám phá phân tích các mẫu đất trên sao Hỏa và trả về dữ liệu liên quan nhất cho NASA. Chương trình thử nghiệm hiện đang được lên kế hoạch cho một cuộc chạy thử trong nhiệm vụ ExoMars sẽ được phóng vào giữa năm 2022.

Theo báo cáo của IEEE Spectrum, quyết định sử dụng học máy và trí tuệ nhân tạo để hỗ trợ tìm kiếm sự sống trên các hành tinh khác được thúc đẩy lớn bởi Erice Lyness, người đứng đầu Phòng thí nghiệm Môi trường Hành tinh Goddard tại NASA. Lyness cần phải tìm ra cách tự động hóa các khía cạnh của phân tích địa hóa học của các mẫu được lấy từ các phần khác của hệ thống mặt trời của chúng ta. Lyness quyết định rằng học máy có thể giúp tự động hóa nhiều nhiệm vụ mà các tàu khám phá như tàu thám hiểm sao Hỏa phải thực hiện, bao gồm thu thập và phân tích các mẫu đất sao Hỏa.

Tàu thám hiểm ExoMars Roslanind Franklin sẽ có khả năng khoan sâu ít nhất hai mét vào đất sao Hỏa. Ở độ sâu này, bất kỳ vi khuẩn nào sống ở đó sẽ không bị giết bởi ánh sáng tia cực tím của mặt trời. Điều này làm cho nó có thể rằng tàu thám hiểm có thể tìm thấy vi khuẩn sống. Ngay cả khi không tìm thấy mẫu vi khuẩn sống, nó có thể rằng máy khoan có thể tìm thấy bằng chứng hóa thạch về sự sống trên sao Hỏa, còn lại từ các thời kỳ trước khi hành tinh này phù hợp hơn với sự sống. Các mẫu mà máy khoan của tàu thám hiểm tìm thấy sẽ được đưa đến một công cụ gọi là máy quang phổ khối để phân tích.

Mục đích của máy quang phổ khối là nghiên cứu sự phân bố khối lượng của các ion trong một mẫu nhất định. Điều này được thực hiện bằng cách sử dụng một tia laser trên mẫu đất, điều này giải phóng các phân tử trong mẫu đất, và sau đó tính toán khối lượng nguyên tử từ các phân tử khác nhau. Quá trình này tạo ra một quang phổ khối, mà các nhà nghiên cứu sẽ phân tích để xác định lý do tại sao các mẫu đỉnh mà họ đang thấy trong quang phổ có thể xảy ra. Có một vấn đề với các quang phổ được tạo ra bởi máy quang phổ khối, tuy nhiên. Các hợp chất khác nhau tạo ra nhiều quang phổ khác nhau. Đó là một câu đố để phân tích một quang phổ khối và xác định những hợp chất nào trong mẫu, nhưng các thuật toán học máy có thể giúp.

Các nhà nghiên cứu đang nghiên cứu một loại khoáng sản gọi là montmorillonite. Montmorillonite thường được tìm thấy trong đất sao Hỏa, và các nhà nghiên cứu đang nhằm mục đích hiểu cách khoáng sản này có thể thể hiện mình trong một quang phổ khối. Đội ngũ nhà nghiên cứu bao gồm các mẫu montmorillonite để xem cách đầu ra của máy quang phổ khối thay đổi, cung cấp cho họ manh mối về cách khoáng sản này trông như thế nào trong một quang phổ khối. Các thuật toán AI sẽ hỗ trợ các nhà nghiên cứu trong việc trích xuất các mẫu có ý nghĩa từ máy quang phổ khối.

Theo như Lyness được trích dẫn bởi IEEE Spectrum:

“Nó có thể mất một thời gian dài để thực sự phân tích một quang phổ và hiểu tại sao bạn đang thấy các đỉnh tại các khối lượng nhất định trong quang phổ. Vì vậy, bất cứ điều gì bạn có thể làm để chỉ đạo các nhà khoa học vào một hướng mà nói, ‘Đừng lo lắng, tôi biết nó không phải là loại này hoặc loại kia,’ họ có thể xác định nhanh hơn những gì đang có trong đó.”

Theo Lyness, nhiệm vụ ExoMars sẽ là một trường hợp thử nghiệm tuyệt vời cho các thuật toán AI được thiết kế để giúp giải thích các quang phổ khối được tạo ra bởi các mẫu.

Có các ứng dụng tiềm năng khác cho AI và học máy trong lĩnh vực sinh học vũ trụ. Đội bay Dragonfly, và có thể là một nhiệm vụ tương lai khác, sẽ hoạt động xa hơn từ Trái đất và trong các môi trường khắc nghiệt hơn và nó sẽ yêu cầu tự động hóa các khía cạnh của điều hướng và truyền输 dữ liệu.