Kunnen dezelfde computeralgoritmen die autonome auto's leren veilig te rijden, helpen nabije asteroïden te identificeren of leven in het universum te ontdekken? NASA-wetenschappers proberen dat te achterhalen door samen te werken met pioniers op het gebied van kunstmatige intelligentie (AI), bedrijven zoals Intel, IBM en Google - om geavanceerde computeralgoritmen toe te passen op problemen in de ruimtewetenschap.

Machine learning is een vorm van AI. Het beschrijft de meest gebruikte algoritmen en andere hulpmiddelen waarmee computers van gegevens kunnen leren om voorspellingen te doen en objecten veel sneller en nauwkeuriger te categoriseren dan een mens kan. Bijgevolg, machine learning wordt veel gebruikt om technologiebedrijven te helpen gezichten op foto's te herkennen of te voorspellen welke films mensen leuk zouden vinden. Maar sommige wetenschappers zien toepassingen tot ver buiten de aarde.

Giada Arney, een astrobioloog bij NASA's Goddard Space Flight Center in Greenbelt, Maryland, hoopt dat machine learning haar en haar collega's kan helpen een naald van leven te vinden in een hooiberg van gegevens die zullen worden verzameld door toekomstige telescopen en observatoria zoals NASA's James Webb Space Telescope.

"Deze technologieën zijn erg belangrijk, vooral voor grote datasets en vooral op het gebied van exoplaneten, " zegt Arney. "Omdat de gegevens die we van toekomstige waarnemingen gaan krijgen schaars en luidruchtig zullen zijn. Het zal heel moeilijk te begrijpen zijn. Dus het gebruik van dit soort tools heeft zoveel potentie om ons te helpen."

Om wetenschappers zoals Arney te helpen bij het bouwen van geavanceerde onderzoekstools, NASA's Frontier Development Lab, of FDL, brengt elke zomer acht weken lang technologie- en ruimtevernieuwers samen om te brainstormen en computercode te ontwikkelen. Het vier jaar oude programma is een samenwerking tussen het SETI Institute en NASA's Ames Research Center, beide gevestigd in Silicon Valley, waar incubators voor het uitbroeden van startups die getalenteerde mensen samenbrengen om de ontwikkeling van baanbrekende technologieën te versnellen, overvloedig zijn.

In de NASA-versie, FDL koppelt vroege doctoraatsstudenten in de wetenschap en computertechnologie aan experts van het ruimteagentschap, academische wereld, en enkele van 's werelds grootste technologiebedrijven. Partnerbedrijven dragen verschillende combinaties van hardware, algoritmen, supercomputerbronnen, financiering, faciliteiten en vakdeskundigen. Alle AI-technieken die bij FDL zijn ontwikkeld, zullen openbaar beschikbaar zijn, met sommigen die al helpen bij het identificeren van asteroïden, vind planeten, en extreme zonnestralingsgebeurtenissen voorspellen.

"FDL voelt als een paar hele goede muzikanten met verschillende instrumenten die samenkomen voor een jamsessie in de garage, iets heel cools vinden, en zeggen, "Hé, we hebben hier een band, "" zegt Shawn Domagal-Goldman, een NASA Goddard astrobioloog die, samen met Arney, begeleidde in 2018 een FDL-team. Hun team ontwikkelde een machine learning-techniek voor wetenschappers die de atmosferen van exoplaneten willen bestuderen, of planeten buiten ons zonnestelsel.

Deze Goddard-wetenschappers hopen op een dag geavanceerde machine learning-technieken te gebruiken om snel gegevens te interpreteren die de chemie van exoplaneten onthullen op basis van de golflengten van licht dat wordt uitgezonden of geabsorbeerd door moleculen in hun atmosfeer. Sinds er tot nu toe duizenden exoplaneten zijn ontdekt, het nemen van snelle beslissingen over welke de meest veelbelovende chemie hebben die verband houdt met bewoonbaarheid, zou kunnen helpen om de kandidaten te onderscheiden tot slechts enkelen die verder verdienen, en kostbaar, onderzoek.

Hiertoe, het FDL-team Arney en Domagal-Goldman hielpen met adviseren, met technische ondersteuning van Google AI, een techniek ingezet die bekend staat als een 'neuraal netwerk'. Deze technologie kan super gecompliceerde problemen oplossen in een proces dat analoog is aan de werking van de hersenen. In een neuraal netwerk, miljarden "neuronen, " dat zijn zenuwcellen in de hersenen die ons helpen herinneringen te vormen en beslissingen te nemen, verbinding maken met miljarden anderen om informatie te verwerken en door te geven. Student informatica aan de Universiteit van Oxford, Adam Cobb, samen met Michael D. Himes, een afgestudeerde natuurkundestudent van de University of Central Florida, leidde een onderzoek om het vermogen van een "Bayesiaans" neuraal netwerk te testen tegen een veelgebruikte machine learning-techniek die bekend staat als een "willekeurig bos". Een ander onderzoeksteam dat niet bij FDL betrokken was, had deze laatste methode al gebruikt om de atmosfeer van WASP-12b te analyseren, een exoplaneet ontdekt in 2008, gebaseerd op bergen gegevens verzameld door NASA's Hubble Space Telescope. Zou het Bayesiaanse neurale netwerk het beter kunnen doen? vroeg het team zich af?

"We kwamen er meteen achter dat het neurale netwerk een betere nauwkeurigheid had dan willekeurig bos bij het identificeren van de overvloed aan verschillende moleculen in de atmosfeer van WASP-12b, ' zegt Cobb.

Maar naast een betere nauwkeurigheid, de Bayesiaanse techniek bood iets even kritisch:het kon de wetenschappers vertellen hoe zeker het was over zijn voorspelling. "Op plaatsen waar de gegevens niet goed genoeg waren om een ​​echt nauwkeurig resultaat te geven, dit model wist beter dat het niet zeker was van het antwoord, wat echt belangrijk is als we deze voorspellingen willen vertrouwen, ' zegt Domagal-Goldman.

Hoewel de door dit team ontwikkelde techniek nog in ontwikkeling is, andere FDL-technologieën zijn al toegepast in de echte wereld. tegen 2017, FDL-deelnemers ontwikkelden een machine learning-programma waarmee snel 3D-modellen van nabije asteroïden kunnen worden gemaakt. nauwkeurig inschatten van hun vormen, maten, en spinsnelheden. Deze informatie is van cruciaal belang voor de inspanningen van NASA om dreigende asteroïden van de aarde te detecteren en af ​​te buigen.

traditioneel, astronomen gebruiken eenvoudige computersoftware om 3D-modellen te ontwikkelen. De software analyseert veel radarmetingen van een bewegende asteroïde en helpt wetenschappers vervolgens om de fysieke eigenschappen ervan af te leiden op basis van veranderingen in het radarsignaal.

"Een ervaren astronoom met standaard computerbronnen, een enkele asteroïde in één tot drie maanden zou kunnen vormen, " zegt Bill Diamant, SETI's president en chief executive officer. "Dus de vraag voor het onderzoeksteam was:kunnen we het versnellen?"

Het antwoord was ja. Het team, waaronder studenten uit Frankrijk, Zuid-Afrika en de Verenigde Staten, plus mentoren uit de academische wereld en van technologiebedrijf Nvidia, ontwikkelde een algoritme dat een asteroïde in slechts vier dagen kon maken. Vandaag, de techniek wordt gebruikt door astronomen van het Arecibo-observatorium in Puerto Rico om bijna realtime vormmodellering van asteroïden te doen.

De asteroïde modellering, samen met analyse van exoplanetaire atmosfeer, zijn een paar FDL-voorbeelden die de belofte laten zien van het toepassen van geavanceerde algoritmen op de hoeveelheden gegevens die zijn verzameld door NASA's meer dan 100 missies.

Zoals NASA-heliofysicus Madhulika (Lika) Guhathakurta opmerkt:het ruimteagentschap verzamelt elke 15 seconden ongeveer 2 gigabyte aan gegevens (en groeit) uit zijn vloot van ruimtevaartuigen. "Maar we analyseren slechts een fractie van die gegevens, omdat we beperkte mensen hebben, tijd en middelen. Daarom moeten we deze tools meer gebruiken, " ze zegt.

Een voorsprong op missies gericht op het begrijpen en voorspellen van de effecten van de zon op aarde, technologie en astronauten in de ruimte, Guhathakurta werkt de afgelopen drie jaar bij FDL en is een belangrijke architect geweest bij het vormgeven van dit programma. Ze ondersteunde in 2018 een team dat een probleem oploste met een defecte sensor op NASA's Solar Dynamics Observatory (SDO), een ruimtevaartuig dat de invloed van de zon op de aarde en de ruimte nabij de aarde bestudeert.

Terug in 2014, slechts vier jaar na de lancering van de missie, een sensor stopte met het retourneren van gegevens met betrekking tot extreem ultraviolette (EUV) stralingsniveaus - informatie die correleert met een ballonvaren van de buitenste atmosfeer van de aarde en dus de levensduur van satellieten beïnvloedt, waaronder het internationale ruimtestation. Dus promovendi informatica van de Stanford University en de Universiteit van Amsterdam, onder andere, met mentoren van onder meer IBM, Lockheed Martin, en SETI, een techniek ontwikkeld die eigenlijk, vul de ontbrekende gegevens van de kapotte sensor in. Hun computerprogramma zou dit kunnen doen door gegevens van andere SDO-instrumenten te analyseren, samen met oude gegevens verzameld door de kapotte sensor gedurende de vier jaar dat hij werkte, om af te leiden welke EUV-stralingsniveaus die sensor zou hebben gedetecteerd op basis van wat de andere SDO-instrumenten op een bepaald moment waarnamen. "Wij hebben gegenereerd, in principe, een virtuele sensor, ' zegt Guhathakurta.

Het potentieel van dit type van dit instrument is niemand ontgaan. SETI hoofd, Diamant, stelt zich een toekomst voor waarin deze virtuele hulpmiddelen zijn opgenomen in ruimtevaartuigen, een praktijk die lichtere, minder complexe en dus goedkopere missies. Domagal-Goldman en Arney voorzien toekomstige exoplaneetmissies waarbij AI-technologieën ingebed in ruimtevaartuigen slim genoeg zijn om realtime wetenschappelijke beslissingen te nemen, bespaart de vele uren die nodig zijn om met wetenschappers op aarde te communiceren.

"AI-methoden zullen ons helpen de verwerkingskracht van onze eigen hersenen vrij te maken door veel van het initiële werk te doen bij moeilijke taken, " zegt Arney. "Maar deze methoden zullen de mens niet snel vervangen, omdat we de resultaten nog moeten controleren."