Нека бъдем практични - за роботите е много по-лесно да изследват Космоса, отколкото за нас, хората. Роботите не се нуждаят от чист въздух и вода или да мъкнат наоколо куп храна, за да останат живи. Те обаче изискват хората да ги управляват и да вземат решения. Напредъкът в технологията за машинно обучение може да промени това, правейки компютрите по-активен сътрудник в планетарната наука.

Миналата седмица на есенната среща на Американския геофизичен съюз (AGU) за 2022 г. планетарни учени и астрономи обсъдиха как новите техники за машинно обучение променят начина, по който научаваме за нашата Слънчева система от планирането на бъдещи кацания на мисии на ледения спътник на Юпитер Европа до идентифицирането на вулкани на малкия Меркурий.

Машинното обучение е начин за обучение на компютрите да идентифицират модели в данните, след което да използват тези модели, за да вземат решения, прогнози или класификации. Друго основно предимство на компютрите - освен че не се нуждаят от поддържане на живота - е тяхната скорост. За много задачи в астрономията на хората може да им отнеме месеци, години или дори десетилетия усилия, за да пресеят всички необходими данни.

Един пример е идентифицирането на скалисти образувания в снимки на други планети. За няколко скали е достатъчно да кажете: „Хей, има камък!“, но си представете, че правите това хиляди пъти. Задачата ще стане доста скучна и ще изяде много ценно работно време на учените.

„Можете да намерите до стотици хиляди скали, а и това отнема много време“, каза Нилс Прийор, планетарен учен от Станфордския университет в Калифорния, по време на лекцията си в AGU. Новият алгоритъм за машинно обучение Prieur може да открие камъни по един спътник с размерите на Луната само за 30 минути. Важно е да знаете къде са тези големи скални късове, за да сте сигурни, че новите мисии могат да кацнат безопасно на своите дестинации. Камъните също са полезни за геологията, предоставяйки улики за това как ударите с астероиди разбиват скалите около тях, за да създадат кратери.

Компютрите могат да идентифицират и редица други планетарни феномени: експлозивни вулкани на Меркурий, вихри в плътната атмосфера на Юпитер и кратери на Луната са само няколко.

По време на конференцията планетарният учен Итън Дънкан от Центъра за космически полети „Годард“ на НАСА в Мериленд демонстрира как машинното обучение може да идентифицира не парчета скала, а парчета лед на ледения спътник на Юпитер Европа. Така нареченият Терен на хаоса е разхвърлян на вид участък от повърхността на Европа с ярки ледени късове, разпръснати на по-тъмен фон. Със своя подземен океан Европа е основна цел за астрономите, интересуващи се от извънземен живот, и картографирането на тези ледени късове ще бъде от ключово значение за планирането на бъдещи мисии.

Предстоящите мисии също биха могли да включат изкуствен интелект като част от екипа, използвайки тази технология, за да даде възможност на сондите да реагират в реално време на опасности и дори да кацат автономно. Кацането е прословуто предизвикателство за космическите кораби и винаги е сред най-опасните периоди от една мисия.

Съобщение от сонда, кацаща на пълния с метан спътник на Сатурн - Титан, ще отнеме малко под час и половина, за да се върне на Земята. Докато отговорът на хората пристигне на местоназначението си, комуникационният цикъл ще продължи почти три часа. В ситуация като кацане, където са необходими отговори в реално време, този вид движение напред-назад на комуникацията със Земята просто няма да се справи. Машинното обучение и AI биха могли да помогнат за решаването на този проблем, предоставяйки на сонда способността да взема решения въз основа на наблюденията си върху заобикалящата го среда.

Снимка: Unsplash

Виж още: Сан Франциско одобри използването на роботи от полицията като крайна мярка