Uczestnicy programu NASA Frontier Development Laboratory zaprezentowali 17 sierpnia projekty dotyczące wykorzystania uczenia maszynowego w kosmosie. W szczególności zespoły pokazały systemy sztucznej inteligencji do określania orbit potencjalnie niebezpiecznych komet i ulepszania map powierzchni Księżyca. Mówi o tym IEEE Spectrum.
Firmy takie jak Facebook czy Google używają uczenia maszynowego do tłumaczenia tekstu lub rozpoznawania ludzi na zdjęciach, ale techniki uczenia maszynowego są wykorzystywane nie tylko w niestandardowych produktach, ale także do rozwiązywania problemów naukowych. Z pomocą programu Frontier Development Laboratory, który jest organizowany już drugi rok, NASA bada możliwości algorytmów sztucznej inteligencji do eksploracji kosmosu. Każdego lata agencja zrzesza małe grupy naukowców w celu rozwiązywania ważnych problemów związanych z badaniami kosmicznymi.
W sumie zespoły pracują nad pięcioma projektami - chroniąc planetę przed długookresowymi kometami, identyfikując kratery na Księżycu, tworząc trójwymiarowe modele planetoid bliskich Ziemi, badając wpływ heliosfery i pogody kosmicznej na ziemską atmosferę i magnetosferę oraz określając przyczyny rozbłysków słonecznych i koronalnych wyrzutów masy. Na konferencji podsumowującej w Santa Clara, która odbyła się w ubiegły czwartek, naukowcy przedstawili pierwsze wyniki.
IEEE Spectrum opowiedziało o wynikach pracy obu zespołów. Pierwszy zespół naukowców wykorzystał dane z przeglądu Cameras for Allsky Meteor Surveillance (CAMS), aby przewidzieć na podstawie opadów meteorytów, kiedy następna kometa długookresowa przeleci w pobliżu Ziemi. W ramach CAMS sześćdziesiąt kamer wideo zainstalowanych na trzech stacjach obserwuje niebo w poszukiwaniu słabych meteorów. Znajdują roje meteorów i próbują skorelować je z niedawno odkrytymi kometami, które mogły pozostawić te szczątki. Zespół naukowców z Frontier Development Laboratory opracował sieć neuronową, która odróżnia szybko poruszające się meteory od chmur, świetlików i samolotów (zwykle wykonywanych ręcznie), a następnie grupuje obrazy w czasie. W ten sposób algorytm znajduje nieznane wcześniej roje meteorytów.
W 90 procentach przypadków przewidywania dotyczące sieci neuronowej, która była testowana przez dwa miesiące, zbiegły się z klasyfikacją obiektów przez ludzi. W ramach projektu pilotażowego zespół przeanalizował około miliona meteorów. Jednak niektórzy eksperci byli sceptyczni co do projektu: w szczególności żądali dowodu, że deszcze meteorów nie są szumem w danych, a także, że są pozostałościami komet, a nie asteroidami lub innymi źródłami. Jeden z twórców projektu, Marcelo de Cicco z brazylijskiego Narodowego Instytutu Metrologii, zgodził się, że sieć neuronowa wymaga jeszcze ulepszenia.
Autorzy drugiego projektu pracowali z danymi ze stacji międzyplanetarnej Lunar Reconnaisance Orbiter (LRO), aby stworzyć bardziej szczegółową mapę powierzchni Księżyca. Naukowcy po raz pierwszy wykorzystali informacje z Lunar Orbiter Laser Altimeter (LOLA) do stworzenia cyfrowej mapy elewacji satelity. Miał jednak jedną wadę - zawierał artefakty. Za każdym razem, gdy LRO okrąża Księżyc, odchyla się nieznacznie od swojej idealnej orbity. Z tego powodu pomiary są niedokładne, a skały i pęknięcia pojawiają się tam, gdzie ich nie ma.
Aby rozwiązać ten problem, naukowcy dopasowali mapę do obrazów z kamery wąskokątnej (NAC), która rejestruje światło słoneczne odbite od powierzchni księżyca. Korzystając z algorytmu uczenia maszynowego, zespół wyeliminował artefakty i stworzył dokładniejszą mapę satelity Ziemi. Naukowcy nauczyli również systemu sztucznej inteligencji, aby odróżniać kratery od cieni i podobnych obiektów. Dokładność programu wyniosła 98 procent.
Astronomowie w ostatnich latach coraz częściej wykorzystują sieci neuronowe w swoich pracach. Na przykład algorytmy komputerowe już teraz pomagają naukowcom określić skład atmosfer egzoplanet i śledzić ruch gwiazd w galaktyce.
Film promocyjny:
Christina Ulasovich