美国国家航空航天局将使用机器学习增强火星生命搜索

美国国家航空航天局的研究人员一直在努力开发一个试点人工智能系统，以帮助未来探索任务在太阳系的其他行星上找到生命的证据。机器学习算法将帮助探索设备分析火星土壤样本，并将最相关的数据返回给美国国家航空航天局。该试点计划目前计划在2022年中期发射的火星样本返回任务中进行测试。

根据IEEE Spectrum的报道，使用机器学习和人工智能来帮助搜索其他行星上的生命的决定主要是由美国国家航空航天局戈达德行星环境实验室的负责人埃里斯·林内斯（Erice Lyness）做出的。林内斯需要找到自动执行太阳系其他部分采集样本的地球化学分析的方法。林内斯认为机器学习可以帮助自动执行许多探索航天器（如火星漫游车）必须执行的任务，包括采集和分析火星土壤样本。

火星样本返回任务的罗莎琳德·富兰克林号漫游车将能够至少钻入火星土壤两米深。在这个深度，任何在那里生活的微生物都不会被太阳的紫外线杀死。这使得漫游车有可能找到活的细菌。即使没有找到活的细菌样本，也有可能钻头会找到火星上生命的化石证据，这些证据来自于早期火星更适宜生命存在的时期。漫游车钻头发现的样本将被送到一个叫做质谱仪的仪器进行分析。

质谱仪的目的是研究样本中离子的质量分布。这是通过使用激光照射土壤样本来实现的，这样可以释放土壤样本中的分子，然后计算不同分子的原子质量。这个过程产生了一个质量谱，研究人员将分析它，以确定为什么他们在谱中看到的峰值模式会出现。然而，质谱仪产生的谱存在一个问题。不同的化合物会产生各种不同的谱。分析一个质量谱并确定样本中有什么化合物是一个谜题，但机器学习算法可能会有所帮助。

研究人员正在研究一种叫做蒙脱石的矿物。蒙脱石通常存在于火星土壤中，研究人员旨在了解这种矿物如何在质量谱中表现。研究团队包括蒙脱石样本，以查看质量谱仪的输出如何变化，这为他们提供了有关该矿物在质量谱中外观的线索。人工智能算法将帮助研究人员从质量谱仪中提取有意义的模式。

正如林内斯在IEEE Spectrum上被引用：

“要真正分解一个谱并了解为什么在谱中某些质量处看到峰值，可能需要很长时间。因此，任何可以指示科学家方向的东西，告诉他们‘不要担心，我知道这不是这种东西或那种东西’，他们就可以更快速地确定有什么在里面。”

根据林内斯的说法，火星样本返回任务将是测试为帮助解释样本产生的质量谱而设计的人工智能算法的绝佳机会。

在天体生物学领域，人工智能和机器学习还有其他潜在的应用。 龙蝇无人机，以及可能的其他未来任务，将在离地球更远、环境更恶劣的地方运行，并需要自动执行导航和数据传输的某些方面。