Як штучний інтелект допомагає досліджувати Сонячну систему

Давайте будемо чесними — роботам набагато легше досліджувати космос, ніж нам, людям. Роботам не потрібні свіже повітря та вода або тягати купу їжі, щоб вижити. Однак вони вимагають, щоб люди керували ними та приймали рішення. Прогрес у технології машинного навчання може змінити це, зробивши комп’ютери активнішими співавторами планетарної науки.

Минулого тижня на осінньому засіданні Американського геофізичного союзу (AGU) у 2022 році планетологи та астрономи обговорили, як нові методи машинного навчання змінюють спосіб, у який ми дізнаємося про нашу Сонячну систему, від планування майбутніх висадок місії на крижаний супутник Юпітера Європа до виявлення вулканів. на крихітному Меркурії.

Машинне навчання – це спосіб навчити комп’ютери виявляти шаблони в даних, а потім використовувати ці шаблони для прийняття рішень, прогнозів або класифікації. Ще одна головна перевага комп’ютерів — окрім того, що вони не потребують підтримки життя — це їхня швидкість. Для багатьох завдань в астрономії людям можуть знадобитися місяці, роки або навіть десятиліття, щоб просіяти всі необхідні дані. 

Одним із прикладів є ідентифікація валунів на фотографіях інших планет. Для кількох каменів це так само легко, як сказати «Гей, там валун!» але уявіть, що ви робите це тисячі разів. Це завдання стане досить нудним і з’їсть багато цінного робочого часу вчених. 

«Ви можете знайти до 10 000, сотні тисяч валунів, і це забирає дуже багато часу», — сказав Нільс Пріор, планетолог зі Стенфордського університету в Каліфорнії під час виступу в AGU. Новий алгоритм машинного навчання Пріера може виявляти валуни на всьому Місяці лише за 30 хвилин. Важливо знати, де знаходяться ці великі шматки каміння, щоб переконатися, що нові місії можуть безпечно приземлитися в пунктах призначення. Валуни також корисні для геології, даючи підказки про те, як удари розбивають скелі навколо них, утворюючи кратери.

Комп’ютери також можуть ідентифікувати низку інших планетарних явищ: вибухонебезпечні вулкани на Меркурії, вихори в густій ​​атмосфері Юпітера та кратери на Місяці тощо.

Під час конференції вчений-планетолог Ітан Дункан із Центру космічних польотів імені Годдарда NASA в Меріленді продемонстрував, як машинне навчання може ідентифікувати не шматки каміння, а шматки льоду на крижаному супутнику Юпітера Європі. Так звана місцевість хаосу – це брудна на вигляд смуга поверхні Європи з яскравими шматками льоду, розкиданими на темнішому тлі. З її підземним океаном Європа є головною ціллю для астрономів, які цікавляться інопланетним життям, і картографування цих шматків льоду стане ключовим для планування майбутніх місій.

Майбутні місії також можуть включати штучний інтелект як частину команди, використовуючи цю технологію, щоб дати можливість зондам реагувати на небезпеки в реальному часі та навіть приземлятися автономно. Посадка — сумнозвісне випробування для космічних кораблів і завжди одне з найнебезпечніших часів місії. 

«Сім хвилин жаху» на Марсі [під час спуску та приземлення] — це те, про що ми багато говоримо», — сказала під час виступу Бетані Тейлінг, планетолог з NASA Goddard. «Це стає набагато складнішим, коли ви просуваєтесь далі в сонячну систему. Ми маємо багатогодинну затримку зв’язку».

Повідомлення від зонда, який приземлився на заповнений метаном супутник Сатурна Титан, займе трохи менше півтори години, щоб повернутися на Землю. До того моменту, коли відповідь людей прибуде до місця призначення, петля зв’язку триватиме майже три години. У такій ситуації, як приземлення, коли потрібні відповіді в режимі реального часу, такий вид руху вперед і назад із Землею просто не допоможе. За словами Тейлінга, машинне навчання та ШІ можуть допомогти розв’язувати цю проблему, надаючи зонду можливість приймати рішення на основі його спостережень за навколишнім середовищем.

«Науковці та інженери, ми не намагаємося від вас позбутися», — сказав Тейлінг. «Ми намагаємося сказати, що час, який ви витратите на ці дані, буде найкориснішим часом, яким ми можемо керувати». Машинне навчання не замінить людину, але, сподіваюся, воно може стати потужним доповненням до нашого інструментарію для наукових відкриттів. Джерело