Deltagarna i NASA Frontier Development Laboratory-programmet den 17 augusti presenterade projekt om användning av maskininlärning i rymden. I synnerhet visade lagen system för artificiell intelligens för att bestämma banor för potentiellt farliga kometer och förbättra kartor över månens yta. IEEE Spectrum pratar om det.
Företag som Facebook eller Google använder maskininlärning för att översätta text eller känna igen människor på bilder, men maskininlärningstekniker används inte bara i anpassade produkter, utan också för att lösa vetenskapliga problem. Med hjälp av programmet Frontier Development Laboratory, som arrangeras för andra året, undersöker NASA möjligheterna med konstgjord intelligensalgoritmer för rymdutforskning. Varje sommar samlar byrån små grupper av forskare för att hantera viktiga rymdforskningsproblem.
Totalt arbetar teamen på fem projekt - skydda planeten från kometer med lång tid, identifiera månkratrar, skapa tredimensionella modeller av asteroider nära jorden, studera effekten av heliosfären och rymdväder på jordens atmosfär och magnetosfär och bestämma orsakerna till solfällningar och koronala massutsprutningar. Vid Wrap-Up-konferensen i Santa Clara, som ägde rum förra torsdagen, presenterade forskare de första resultaten.
IEEE Spectrum talade om resultaten av de två lagens arbete. Det första forskargruppen använde data från kameran för kameror för allsky meteorövervakning (CAMS) för att förutsäga från meteorduschar när nästa långsiktiga komet kommer att flyga nära jorden. Som en del av CAMS tittar sextio videokameror installerade på tre stationer på himlen och letar efter svaga meteorer. De hittar meteorduschar och försöker korrelera dem med nyligen upptäckta kometer som kan ha lämnat dessa skräp. Ett team av forskare från Frontier Development Laboratory har utvecklat ett neuralt nätverk som skiljer snabbrörande meteorer från moln, eldflugor och plan (vanligtvis gjort för hand) och grupperar sedan bilderna i tid. Således hittar algoritmen tidigare okända meteorduschar.
I 90 procent av fallen sammanföll förutsägelserna från det neurala nätverket, som testades i två månader, med klassificeringen av föremål av människor. I ett pilotprojekt analyserade teamet cirka en miljon meteorer. Vissa experter var dock skeptiska till projektet: I synnerhet krävde de bevis för att meteorduschar inte är buller i uppgifterna, och att de också är resterna av kometer och inte asteroider eller andra källor. En av skaparna av projektet, Marcelo de Cicco från Brazilian National Institute of Metrology, enades om att nervnätverket fortfarande måste förbättras.
Författarna till det andra projektet arbetade med data från LRO Reconnaisance Orbiter (LRO) interplanetary station för att skapa en mer detaljerad karta över månens yta. Forskare använde först information från Lunar Orbiter Laser Altimeter (LOLA) för att skapa en digital höjdkarta över satelliten. Men det hade en nackdel - det innehöll artefakter. Varje gång LRO kretsar runt månen, avviker den något från sin ideala bana. På grund av detta är mätningarna felaktiga och stenar och sprickor visas där de inte är.
För att lösa detta problem matchade forskarna kartan med bilder från Narrow Angle Camera (NAC), som registrerar solljus reflekterat från månens yta. Med hjälp av en maskininlärningsalgoritm slog teamet bort artefakterna och gjorde en mer exakt karta över jordens satellit. Forskare har också lärt ett system för konstgjord intelligens att skilja kratrar från skuggor och liknande föremål. Programmets noggrannhet var 98 procent.
Astronomer har i allt högre grad använt neurala nätverk i sitt arbete de senaste åren. Till exempel hjälper datoralgoritmer redan forskare att bestämma sammansättningen av exoplaneternas atmosfär och följa stjärnorna i galaxen.
Kampanjvideo:
Christina Ulasovich
