Deltagere i NASA Frontier Development Laboratory-programmet den 17. august præsenterede projekter om brugen af maskinlæring i rummet. Holdene viste især kunstig intelligenssystemer til bestemmelse af bane for potentielt farlige kometer og forbedring af kort over månens overflade. IEEE Spectrum taler om det.
Virksomheder som Facebook eller Google bruger maskinlæring til at oversætte tekst eller genkende folk på fotografier, men maskinlæringsteknikker bruges ikke kun i brugerdefinerede produkter, men også til at løse videnskabelige problemer. Ved hjælp af programmet Frontier Development Laboratory, der arrangeres for andet år, undersøger NASA mulighederne for kunstig intelligensalgoritmer til rumforskning. Hver sommer samler agenturet små grupper af forskere for at tackle vigtige rumforskningsproblemer.
I alt arbejder holdene på fem projekter - at beskytte planeten mod kometer i længere tid, identificere månekrater, skabe tredimensionelle modeller af asteroider i nærheden af Jorden, studere virkningen af heliosfæren og rumvejret på jordens atmosfære og magnetosfæren og bestemme årsagerne til solens lysbrande og koronale masseudsprøjtninger. På Wrap-Up-konferencen i Santa Clara, der fandt sted sidste torsdag, præsenterede forskere de første resultater.
IEEE Spectrum talte om resultaterne af arbejdet i de to hold. Det første team af forskere brugte data fra kameraerne til Allsky Meteor Surveillance (CAMS) -undersøgelse til at forudsige fra meteorbygerne, når den næste komet med lang periode flyver nær Jorden. Som en del af CAMS følger tresvis videokameraer, der er installeret på tre stationer, himlen på udkig efter svage meteorer. De finder meteorbrusere og prøver at korrelere dem med nyligt opdagede kometer, der muligvis har forladt disse snavs. Et team af forskere fra Frontier Development Laboratory har udviklet et neuralt netværk, der adskiller hurtigt bevægende meteorer fra skyer, ildfluer og fly (normalt udført i hånden) og derefter grupperer billederne i tide. Algoritmen finder således tidligere ukendte meteorbyger.
I 90 procent af tilfældene faldt forudsigelserne af det neurale netværk, der blev testet i to måneder, sammen med klassificeringen af genstande af mennesker. I et pilotprojekt analyserede teamet omkring en million meteorer. Nogle eksperter var imidlertid skeptiske over for projektet: De krævede især bevis for, at meteorbrusere ikke er støj i dataene, og at de også er resterne af kometer og ikke asteroider eller andre kilder. En af skaberne af projektet, Marcelo de Cicco fra det brasilianske National Institute of Metrology, var enig i, at det neurale netværk stadig skal forbedres.
Forfatterne af det andet projekt arbejdede med data fra Lunar Reconnaisance Orbiter (LRO) mellemplanetstation for at skabe et mere detaljeret kort over månens overflade. Forskere brugte først oplysninger fra Lunar Orbiter Laser Højdemåler (LOLA) til at skabe et digitalt højdekort over satellitten. Dog havde det en ulempe - det indeholdt artefakter. Hver gang LRO kredser om månen, afviger den lidt fra sin ideelle bane. På grund af dette er målingerne unøjagtige, og der vises sten og revner, hvor de ikke er.
For at løse dette problem matchede forskerne kortet med billeder fra Narrow Angle Camera (NAC), der registrerer sollys reflekteret fra månens overflade. Ved hjælp af en maskinlæringsalgoritme lukkede teamet artefakterne ud og lavede et mere nøjagtigt kort over jordens satellit. Videnskabsfolk har også lært et kunstigt intelligenssystem at skelne kratere fra skygger og lignende genstande. Programmets nøjagtighed var 98 procent.
Astronomer har i stigende grad brugt neurale netværk i deres arbejde i de senere år. For eksempel hjælper computeralgoritmer allerede videnskabsmænd med at bestemme sammensætningen af eksoplaneternes atmosfære og spore bevægelsen af stjerner i galaksen.
Salgsfremmende video:
Christina Ulasovich