NASA anvender AI-teknologier til problemer inden for rumvidenskab

Kunne de samme computeralgoritmer, der lærer autonome biler at køre sikkert, hjælpe med at identificere nærliggende asteroider eller opdage liv i universet? NASA-forskere forsøger at finde ud af det ved at samarbejde med pionerer inden for kunstig intelligens (AI) - virksomheder som Intel, IBM og Google – at anvende avancerede computeralgoritmer til problemer inden for rumvidenskab.

Machine learning er en type AI. Den beskriver de mest udbredte algoritmer og andre værktøjer, der gør det muligt for computere at lære af data for at lave forudsigelser og kategorisere objekter meget hurtigere og mere præcist, end et menneske kan. Følgelig, Machine learning er meget brugt til at hjælpe teknologivirksomheder med at genkende ansigter på billeder eller forudsige, hvilke film folk ville nyde. Men nogle videnskabsmænd ser applikationer langt ud over Jorden.

Giada Arney, en astrobiolog ved NASAs Goddard Space Flight Center i Greenbelt, Maryland, håber maskinlæring kan hjælpe hende og hendes kolleger med at finde en nål af liv i en høstak af data, som vil blive indsamlet af fremtidige teleskoper og observatorier såsom NASAs James Webb Space Telescope.

"Disse teknologier er meget vigtige, især til store datasæt og især i exoplanetområdet, " siger Arney. "Fordi de data, vi får fra fremtidige observationer, vil være sparsomme og støjende. Det bliver virkelig svært at forstå. Så brug af denne slags værktøjer har så meget potentiale til at hjælpe os."

For at hjælpe forskere som Arney med at bygge banebrydende forskningsværktøjer, NASA's Frontier Development Lab, eller FDL, samler teknologi- og ruminnovatorer i otte uger hver sommer for at brainstorme og udvikle computerkode. Det fire år gamle program er et partnerskab mellem SETI Institute og NASAs Ames Research Center, begge med base i Silicon Valley, hvor der er rigeligt med startup-udklækkende inkubatorer, der bringer talentfulde mennesker sammen for at accelerere udviklingen af ​​banebrydende teknologier.

I NASAs version, FDL parrer videnskabs- og computeringeniør-ph.d.-studerende i den tidlige karriere med eksperter fra rumfartsorganisationen, den akademiske verden, og nogle af verdens største teknologivirksomheder. Partnervirksomheder bidrager med forskellige kombinationer af hardware, algoritmer, supercomputerressourcer, finansiering, faciliteter og fageksperter. Alle AI-teknikker udviklet på FDL vil være offentligt tilgængelige, med nogle, der allerede hjælper med at identificere asteroider, finde planeter, og forudsige ekstreme solstrålingshændelser.

"FDL føles som nogle rigtig gode musikere med forskellige instrumenter, der samles til en jamsession i garagen, at finde noget rigtig fedt, og siger, "Hej, vi har et band her, "" siger Shawn Domagal-Goldman, en NASA Goddard astrobiolog, der, sammen med Arney, mentor for et FDL-hold i 2018. Deres team udviklede en maskinlæringsteknik til videnskabsmænd, der sigter mod at studere atmosfæren på exoplaneter, eller planeter uden for vores solsystem.

Disse Goddard-forskere håber på en dag at bruge avancerede maskinlæringsteknikker til hurtigt at fortolke data, der afslører exoplaneternes kemi baseret på bølgelængderne af lys, der udsendes eller absorberes af molekyler i deres atmosfærer. Siden tusindvis af exoplaneter er blevet opdaget indtil videre, at tage hurtige beslutninger om, hvilke der har den mest lovende kemi forbundet med beboelighed, kunne hjælpe med at vinde kandidaterne ned til kun nogle få, der fortjener yderligere, og dyrt, efterforskning.

Til denne ende, FDL-teamet Arney og Domagal-Goldman hjalp med at rådgive, med teknisk support fra Google AI, implementeret en teknik kendt som et "neuralt netværk". Denne teknologi kan løse superkomplicerede problemer i en proces, der er analog med hjernens funktion. I et neuralt netværk, milliarder af "neuroner, "som er nerveceller i hjernen, der hjælper os med at danne minder og træffe beslutninger, forbinde med milliarder af andre for at behandle og overføre information. University of Oxford computer science kandidatstuderende, Adam Cobb, sammen med Michael D. Himes, en fysikstuderende fra University of Central Florida, førte en undersøgelse for at teste evnen af ​​et "bayesiansk" neuralt netværk mod en meget brugt maskinlæringsteknik kendt som en "tilfældig skov." Et andet forskerhold, der ikke er tilknyttet FDL, havde allerede brugt denne sidstnævnte metode til at analysere atmosfæren i WASP-12b, en exoplanet opdaget i 2008, baseret på bjerge af data indsamlet af NASAs Hubble-rumteleskop. Kunne det Bayesianske neurale netværk gøre det bedre, holdet undrede sig?

"Vi fandt ud af med det samme, at det neurale netværk havde bedre nøjagtighed end tilfældig skov til at identificere mængden af ​​forskellige molekyler i WASP-12bs atmosfære, " siger Cobb.

Men udover bedre nøjagtighed, den Bayesianske teknik tilbød noget lige så kritisk:den kunne fortælle forskerne, hvor sikker den var på sin forudsigelse. "På steder, hvor dataene ikke var gode nok til at give et rigtigt nøjagtigt resultat, denne model var bedre til at vide, at den ikke var sikker på svaret, hvilket er virkelig vigtigt, hvis vi skal stole på disse forudsigelser, " siger Domagal-Goldman.

Mens teknikken udviklet af dette team stadig er under udvikling, andre FDL-teknologier er allerede blevet taget i brug i den virkelige verden. Inden 2017, FDL-deltagere udviklede et maskinlæringsprogram, der hurtigt kunne skabe 3D-modeller af nærliggende asteroider, nøjagtigt estimere deres former, størrelser, og spinhastigheder. Disse oplysninger er afgørende for NASAs bestræbelser på at opdage og aflede truende asteroider fra Jorden.

Traditionelt, astronomer bruger simpel computersoftware til at udvikle 3-D-modeller. Softwaren analyserer mange radarmålinger af en asteroide i bevægelse og hjælper derefter videnskabsmænd med at udlede dens fysiske egenskaber baseret på ændringer i radarsignalet.

"En dygtig astronom med standard computerressourcer, kunne forme en enkelt asteroide på en til tre måneder, " siger Bill Diamond, SETIs præsident og administrerende direktør. "Så spørgsmålet til forskerholdet var:Kan vi fremskynde det?"

Svaret var ja. Holdet, som omfattede studerende fra Frankrig, Sydafrika og USA, plus mentorer fra den akademiske verden og fra teknologivirksomheden Nvidia, udviklet en algoritme, der kunne gengive en asteroide på så lidt som fire dage. I dag, teknikken bruges af astronomer ved Arecibo-observatoriet i Puerto Rico til næsten real-time formmodellering af asteroider.

Asteroidemodelleringen, sammen med exoplanetarisk atmosfæreanalyse, er et par FDL-eksempler, der viser løftet i at anvende sofistikerede algoritmer til mængden af ​​data indsamlet af NASA's mere end 100 missioner.

Som NASA heliofysiker Madhulika (Lika) Guhathakurta bemærker, rumfartsorganisationen indsamler omkring 2 gigabyte data (og vokser) hvert 15. sekund fra sin flåde af rumfartøjer. "Men vi analyserer kun en brøkdel af de data, fordi vi har et begrænset antal mennesker, tid og ressourcer. Derfor er vi nødt til at bruge disse værktøjer mere, " hun siger.

Et led i missioner med fokus på at forstå og forudsige solens virkninger på Jorden, teknologi og astronauter i rummet, Guhathakurta har været hos FDL i de sidste tre år og har været en nøglearkitekt i udformningen af ​​dette program. Hun støttede et hold i 2018, der løste et problem med en defekt sensor på NASAs Solar Dynamics Observatory (SDO), et rumfartøj, der studerer solens indflydelse på Jorden og det nære Jord-rum.

Tilbage i 2014, kun fire år efter missionens start, en sensor holdt op med at returnere data relateret til ekstreme ultraviolette (EUV) strålingsniveauer - information, der korrelerer med en ballonflyvning af Jordens ydre atmosfære og dermed påvirker satellitternes levetid, inklusive den internationale rumstation. Så datalogi ph.d.-studerende fra Stanford University og University of Amsterdam, blandt andre, med mentorer fra organisationer, herunder IBM, Lockheed Martin, og SETI, udviklet en teknik, der kunne i det væsentlige, udfyld de manglende data fra den ødelagte sensor. Deres computerprogram kunne gøre dette ved at analysere data fra andre SDO-instrumenter, sammen med gamle data indsamlet af den ødelagte sensor i de fire år, den fungerede, at udlede, hvilke EUV-strålingsniveauer den sensor ville have detekteret baseret på, hvad de andre SDO-instrumenter observerede på et givet tidspunkt. "Vi har skabt, i bund og grund, en virtuel sensor, " siger Guhathakurta.

Potentialet af denne type af dette instrument er ikke tabt på nogen. SETI hoved, Diamant, forestiller sig en fremtid, hvor disse virtuelle værktøjer er inkorporeret i rumfartøjer, en praksis, der ville give mulighed for lettere, mindre komplekse og derfor billigere missioner. Domagal-Goldman og Arney forestiller sig fremtidige exoplanetmissioner, hvor AI-teknologier indlejret i rumfartøjer er smarte nok til at træffe videnskabelige beslutninger i realtid, sparer de mange timer, der er nødvendige for at kommunikere med videnskabsmænd på Jorden.

"AI-metoder vil hjælpe os med at frigøre processorkraft fra vores egen hjerne ved at udføre en masse af det indledende benarbejde på vanskelige opgaver, " siger Arney. "Men disse metoder vil ikke erstatte mennesker på det nærmeste, fordi vi stadig skal tjekke resultaterne."