Deltakerne i NASA Frontier Development Laboratory-programmet den 17. august presenterte prosjekter om bruk av maskinlæring i verdensrommet. Lagene viste spesielt kunstig intelligenssystemer for å bestemme banene til potensielt farlige kometer og forbedre kart over månens overflate. IEEE Spectrum snakker om det.
Selskaper som Facebook eller Google bruker maskinlæring for å oversette tekst eller gjenkjenne folk på bilder, men maskinlæringsteknikker brukes ikke bare i tilpassede produkter, men også for å løse vitenskapelige problemer. Ved hjelp av Frontier Development Laboratory, som arrangeres for andre år, undersøker NASA mulighetene for kunstig intelligensalgoritmer for romutforskning. Hver sommer samler byrået små grupper av forskere for å takle viktige romforskningsproblemer.
Totalt jobber teamene med fem prosjekter - å beskytte planeten mot kometer over lengre tid, identifisere månekrater, lage tredimensjonale modeller av asteroider nær jord, studere effekten av heliosfæren og romværet på jordas atmosfære og magnetosfæren, og bestemme årsakene til solens bluss og koronale masseutkast. På Wrap-Up-konferansen i Santa Clara, som fant sted forrige torsdag, presenterte forskere de første resultatene.
IEEE Spectrum snakket om resultatene fra arbeidet til de to teamene. Det første teamet med forskere brukte data fra Camera for Allsky Meteor Surveillance (CAMS) -undersøkelsen for å forutsi fra meteordusjer når den neste kometuren over lengre tid vil fly nær jorden. Som en del av CAMS ser seksti videokameraer installert på tre stasjoner på himmelen og leter etter svake meteorer. De finner meteordusjer og prøver å korrelere dem med nylig oppdagede kometer som kan ha forlatt disse ruskene. Et team av forskere fra Frontier Development Laboratory har utviklet et nevralt nettverk som skiller hurtige meteorer fra skyer, ildfluer og fly (vanligvis gjort for hånd), og grupperer bildene i tide. Dermed finner algoritmen tidligere ukjente meteordusjer.
I 90 prosent av tilfellene falt spådommene til det nevrale nettverket, som ble testet i to måneder, sammen med klassifiseringen av gjenstander fra mennesker. I et pilotprosjekt analyserte teamet omtrent en million meteorer. Noen eksperter var imidlertid skeptiske til prosjektet: spesielt krevde de bevis for at meteordusjene ikke er støy i dataene, og at de også er restene av kometer, og ikke asteroider eller andre kilder. En av skaperne av prosjektet, Marcelo de Cicco fra det brasilianske nasjonale instituttet for metrologi, var enig i at det nevrale nettverket fremdeles må forbedres.
Forfatterne av det andre prosjektet jobbet med data fra Lunar Reconnaisance Orbiter (LRO) interplanetære stasjon for å lage et mer detaljert kart over månens overflate. Forskere brukte først informasjon fra Lunar Orbiter Laser Høydemåler (LOLA) for å lage et digitalt høydekart over satellitten. Imidlertid hadde den en ulempe - den inneholdt gjenstander. Hver gang LRO går i bane rundt månen, avviker den litt fra sin ideelle bane. På grunn av dette er målingene unøyaktige og bergarter og sprekker vises der de ikke er.
For å løse dette problemet matchet forskerne kartet med bilder fra Narrow Angle Camera (NAC), som registrerer sollys reflektert fra månens overflate. Ved hjelp av en maskinlæringsalgoritme, luktet teamet ut gjenstandene og laget et mer nøyaktig kart over jordas satellitt. Forskere har også lært et kunstig intelligenssystem for å skille kratere fra skygger og lignende gjenstander. Nøyaktigheten til programmet var 98 prosent.
Astronomer har i økende grad brukt nevrale nettverk i arbeidet de siste årene. For eksempel hjelper datamaskinalgoritmer allerede forskere med å bestemme sammensetningen av atmosfærene til eksoplaneter og spore bevegelsen til stjerner i galaksen.
Salgsfremmende video:
Christina Ulasovich
