NASA-forskere lærer maskiner at se

Dit kreditkortselskab kontakter dig og spørger, om du har købt noget fra en forhandler, som du normalt ikke betaler eller har brugt mere end normalt. Et menneske identificerede ikke den atypiske transaktion. En computer – udstyret med avancerede algoritmer – mærkede det potentielt svigagtige køb og udløste forespørgslen.

Forskere ved NASAs Goddard Space Flight Center i Greenbelt, Maryland, tror, ​​at forskere og ingeniører kunne drage fordel af den samme teknologi, ofte omtalt som maskinlæring eller neurale netværk.

Betragtes som en undergruppe af kunstig intelligens, maskinlæring og neurale netværk er faktisk i avantgarden. I stedet for at programmere en computer til at udføre enhver opgave, den skal udføre, Filosofien bag maskinlæring er at udstyre jord- eller rumbaserede computerprocessorer med algoritmer, som mennesker, lære af data, finde og genkende mønstre og tendenser, men hurtigere, mere præcist, og uden partiskhed.

Omfattende applikationer

"Fordelene er mange, og applikationerne spænder vidt, " sagde Goddard Senior Fellow og assisterende chef for teknologi Jacqueline Le Moigne, som har arbejdet med kunstig intelligens siden sin kandidatskoletid i Frankrig for flere år siden.

"Forskere kunne bruge maskinlæring til at analysere petabytes af data, NASA allerede har indsamlet gennem årene, udvinde nye mønstre og nye sammenhænge og til sidst føre til nye videnskabelige opdagelser, "sagde hun." Det kan også hjælpe os med at overvåge et rumskibs sundhed, undgå og komme sig fra katastrofale fejl, og forhindre kollisioner. Det kunne endda hjælpe ingeniører, at levere en bred vifte af viden om tidligere missioner - oplysninger, de ville have brug for ved design af nye missioner. "

Med finansiering fra flere NASA-forskningsprogrammer, herunder Earth Science Technology Office, eller ESTO, Goddards ingeniører og videnskabsmænd forsker i nogle af disse applikationer individuelt eller i partnerskaber med den akademiske verden og den private industri. Deres projekter kører hele spekteret, alt fra hvordan maskinlæring kunne hjælpe med at lave afgrødeprognoser i realtid eller lokalisere skovbrande og oversvømmelser til at identificere instrumentanomalier og endda egnede landingssteder for et robotfartøj.

"Folk hører kunstig intelligens, og deres sind går øjeblikkeligt til science fiction med maskiner, der tager over, men i virkeligheden er det bare endnu et værktøj i vores dataanalyseværktøjskasse og bestemt et, vi ikke bør forsømme på grund af forudfattede meninger, " sagde James MacKinnon, en Goddard computeringeniør, der er involveret i flere projekter, der involverer kunstig intelligens.

At finde brande

Siden han kom til Goddard for et par år siden, MacKinnon har vist sig som en af ​​teknologiens mest inderlige mestre. Et af de første projekter, han tog fat på, involverede undervisning i algoritmer, hvordan man identificerer skovbrande ved hjælp af fjernmålingsbilleder indsamlet af Terra-rumfartøjets Moderate Resolution Imaging Spectroradiometer-instrument. Hans neurale netværk registrerede nøjagtigt brande 99 procent af tiden. Han har siden udvidet forskningen til at omfatte data indsamlet af Joint Polar Satellite Systems Visible Infrared Imaging Radiometer Suite.

Hans drøm er i sidste ende at implementere en konstellation af CubeSats, alle udstyret med maskinlæringsalgoritmer indlejret i sensorer. Med en sådan evne, sensorerne kunne identificere naturbrande og sende data tilbage til Jorden i realtid, at give brandmænd og andre opdaterede oplysninger, der kan forbedre brandslukningsindsatsen dramatisk. "Nøglen her er behandling af data ombord, ikke kun for naturbrande, men for oversvømmelser. Der er mange ting, du kan gøre med denne evne, " han sagde.

Han udvikler også maskinlæringsteknikker til at identificere enkelt-events forstyrrelser i rumbårne elektroniske enheder, som kan resultere i data -anomalier, og kompilering af et bibliotek af maskinlærende computermodeller, værktøjer til datasætgenerering, og visualiseringshjælpemidler for at gøre det lettere for andre at bruge maskinlæringsteknikker til deres missioner, han sagde.

"En stor del af min tid er blevet brugt på at overbevise videnskabsfolk om, at disse er gyldige metoder til at analysere de enorme mængder data, vi genererer, " han sagde.

Skær gennem støjen

Goddard-videnskabsmanden Matt McGill behøver ikke overbevises. En ekspert i lidarteknikker til måling af skyer og de små partikler, der udgør dis, støv, luftforurenende stoffer og røg, McGill samarbejder med Slingshot Aerospace. Denne Californien-baserede virksomhed udvikler platforme, der trækker data fra mange typer sensorer og bruger maskinlæringsalgoritmer til at udtrække information.

Under den ESTO-finansierede indsats, McGill giver Slingshot data, han indsamlede med Cloud-Aerosol Transport System, eller KATTE, instrument, som gik på pension i slutningen af ​​sidste år efter at have tilbragt 33 måneder ombord på den internationale rumstation. der, CATS målte den lodrette struktur af skyer og aerosoler, som forekommer naturligt under vulkanudbrud og støvstorme eller menneskeskabt gennem forbrænding af olie, kul, og træ. En Slingshot-udviklet maskinlæringsalgoritme indtager disse data, så den kan lære og i sidste ende begynde at genkende mønstre, trends, og hændelser, der er svære at fange med standardiserede behandlingsalgoritmer.

McGill er især interesseret i at se, om maskinlæringsteknikker kan bortfiltrere den støj, der er almindelig ved lidarmålinger. Selvom mennesker allerede fjerner støj fra data, nuværende teknikker er tidskrævende og kan tage dage at udføre - i modsætning til målet om at distribuere intelligens i realtid. "Idéen er, at algoritmer, en gang trænet, kan genkende signaler i timer i stedet for dage, " sagde McGill.

Lige så vigtigt, i det mindste til McGill, er behovet for at miniaturisere CATS-lignende lidar-systemer. Mens CATS var nogenlunde på størrelse med et køleskab, fremtidige systemer skal være meget mindre, i stand til at flyve på en konstellation af SmallSats for at indsamle samtidige, flerpunktsmålinger. Imidlertid, efterhånden som instrumenterne bliver mindre, dataene kan potentielt være mere støjende på grund af mindre opsamlingsåbninger, McGill forklarede. "Vi er nødt til at blive klogere på, hvordan vi analyserer vores data, og vi er nødt til at udvikle evnen til at generere ægte dataprodukter i realtid."

Delfinstranding

At blive klogere på dataanalyse driver også Goddards heliofysiker Antti Pulkkinen og ingeniør Ron Zellar.

For et par år siden, Pulkkinen begyndte at undersøge, om solstorme forårsagede ellers sunde hvaler, delfiner, og marsvin - samlet kendt som hvaler - for at strand langs kystområder verden over. Mens han og hans team ikke fandt nogen sammenhæng, de fandt en forbindelse mellem strandingsbegivenheder i Cape Cod, Massachusetts, og vindstyrke.

Er det muligt, at kraftig vind, som opstår i vintermånederne, hvor der er større sandsynlighed for, at delfiner strander, røre havets fytoplankton og andre næringsstoffer, der fodrer fisk? Følger delfinerne blot deres fødekilde? "Vi kan ikke antage en årsagssammenhæng, sagde Zellar, WHO, når du ikke arbejder på dette projekt, fungerer som mission-systems engineer på Origins, Spektral fortolkning, Ressourceidentifikation, Sikkerhed-Regolith Explorer, eller OSIRIS-REx, mission. "Det er det, vi prøver at finde."

Med finansiering fra Goddard Fellows Innovation Challenge, et program, der finansierer udviklingen af ​​potentielt revolutionerende teknologier, holdet anvender maskinlæringsteknikker til at dykke dybere ned i miljødata for at se, om de kan bevise en årsag.

Klipning af navlestrengen

I november, OSIRIS-REx-missionen er planlagt til at påbegynde en række komplekse manøvrer, der bringer fartøjet tættere på asteroiden Bennu, så det kan begynde at karakterisere kroppen og tage billeder, der vil informere den bedste placering for at indsamle en prøve og returnere den til Jorden til analyse . Dette vil kræve tusindvis af billeder i høj opløsning taget fra forskellige vinkler og derefter behandlet manuelt af et team af eksperter på jorden.

Forskere ønsker at forenkle og fremskynde behandlingstiden. Under en NASA-finansieret forskningsindsats, der involverer Goddard-forskere, Dante Lauretta, en professor ved University of Arizona og OSIRIS-REx hovedefterforsker, og Chris Adami, en maskinlæringsekspert ved Michigan State University, et hold undersøger potentialet i netværksalgoritmer. Målet er at lære indbyggede sensorer at behandle billeder og bestemme en asteroides form og egenskaber - information, der er nødvendig for autonomt at navigere i og omkring en asteroide og træffe beslutninger om, hvor man sikkert kan erhverve prøver.

"Pointen er at klippe den beregningsmæssige navlestreng tilbage til Jorden, " sagde Bill Cutlip, en Goddard senior forretningsudviklingschef og teammedlem. "Det, vi forsøger at gøre, er at træne en algoritme til at forstå, hvad den ser, efterligner, hvordan den menneskelige hjerne behandler information."

En sådan kapacitet ville ikke kun gavne fremtidige missioner til asteroider, men også dem til Mars og de iskolde måner af Jupiter og Saturn, han sagde. Med fremskridt inden for feltprogrammerbare gate-arrays eller kredsløb, der kan programmeres til at udføre en bestemt opgave og grafikbehandlingsenheder, potentialet er svimlende, han tilføjede.