Udeleženci programa NASA Frontier Development Laboratory so 17. avgusta predstavili projekte uporabe strojnega učenja v vesolju. Zlasti so ekipe pokazale sisteme umetne inteligence za določanje orbite potencialno nevarnih kometov in izboljšanje zemljevidov lunarne površine. IEEE Spectrum govori o tem.
Podjetja, kot sta Facebook ali Google, uporabljajo strojno učenje za prevajanje besedila ali prepoznavanje ljudi na fotografijah, vendar se tehnike strojnega učenja uporabljajo ne le v izdelkih po meri, ampak tudi za reševanje znanstvenih težav. NASA s pomočjo programa Frontier Development Laboratory, ki ga organizira že drugo leto, raziskuje možnosti algoritmov umetne inteligence za raziskovanje vesolja. Vsako poletje agencija združuje majhne skupine raziskovalcev za reševanje pomembnih vesoljskih raziskav.
Skupine skupaj delajo na petih projektih - zaščiti planeta pred dolgoletnimi kometi, prepoznavanju lunarnih kraterjev, ustvarjanju tridimenzionalnih modelov obzemnih asteroidov, preučevanju vpliva heliosfere in vesoljskega vremena na Zemljino atmosfero in magnetosfero ter določanju vzrokov izpustov sonca in koronskih mas. Na končni konferenci v Santa Clari, ki je potekala prejšnji četrtek, so znanstveniki predstavili prve rezultate.
IEEE Spectrum je spregovoril o rezultatih dela obeh skupin. Prva skupina raziskovalcev je uporabila podatke iz raziskave Cameras for Allsky Meteor Surveillance (CAMS), da so napovedali iz meteornih pljuskov, kdaj bo naslednji dolgoletni komet poletel blizu Zemlje. V sklopu CAMS šestdeset video kamer, nameščenih na treh postajah, gleda nebo v iskanju šibkih meteorjev. Najdejo meteorne prhe in jih skušajo povezati z nedavno odkritimi kometi, ki so morda zapustili te naplavine. Skupina znanstvenikov iz mejnega razvojnega laboratorija je razvila nevronsko mrežo, ki razlikuje hitro premikajoče se meteorje od oblakov, kresnic in letal (običajno jih izvajamo ročno), nato pa slike pravočasno razvrsti. Tako algoritem najde prej neznane meteorne prhe.
V 90 odstotkih primerov so napovedi nevronske mreže, ki so jo preizkušali dva meseca, sovpadali s klasifikacijo predmetov pri ljudeh. V pilotnem projektu je ekipa analizirala približno milijon meteorjev. Vendar pa so bili nekateri strokovnjaki skeptični glede projekta: zlasti so zahtevali dokaz, da meteorni tuši niso hrup v podatkih, pa tudi, da so ostanki kometov in ne asteroidi ali drugi viri. Eden od ustvarjalcev projekta, Marcelo de Cicco z brazilskega Nacionalnega inštituta za meroslovje, se je strinjal, da je treba nevronsko mrežo še izboljšati.
Avtorji drugega projekta so sodelovali s podatki medplanetarne postaje Lunar Reconnaisance Orbiter (LRO), da bi ustvarili podrobnejši zemljevid lunarne površine. Znanstveniki so prvič uporabili podatke z laserskega višinomerja Lunar Orbiter (LOLA) za izdelavo digitalne karte nadmorske višine. Vendar je imela eno pomanjkljivost - vsebovala je artefakte. Vsakič, ko LRO kroži okoli Lune, le-ta nekoliko odstopa od svoje idealne orbite. Zaradi tega so meritve netočne, kamnine in razpoke se pojavijo tam, kjer jih ni.
Da bi rešili to težavo, so raziskovalci primerjali zemljevid s slikami iz ozke kotne kamere (NAC), ki beleži sončno svetlobo, ki se odbija od lune. Z algoritmom strojnega učenja je ekipa odstranila artefakte in naredila natančnejši zemljevid zemeljskega satelita. Znanstveniki so tudi učili sistem umetne inteligence, da se kraterji razlikujejo od senc in podobnih predmetov. Natančnost programa je znašala 98 odstotkov.
Astronomi v zadnjih letih vse bolj uporabljajo nevronske mreže. Računalniški algoritmi na primer znanstvenikom že pomagajo določiti sestavo atmosfer eksoplanetov in spremljati gibanje zvezd v galaksiji.
Promocijski video:
Christina Ulasovich