На 17 август участниците в програмата за лаборатория за развитие на границата на НАСА представиха проекти за използването на машинно обучение в космоса. По-специално екипите показаха системи за изкуствен интелект за определяне на орбитите на потенциално опасни комети и подобряване на картите на лунната повърхност. IEEE Spectrum говори за това.
Компании като Facebook или Google използват машинно обучение за превод на текст или разпознаване на хора по снимки, но техниките за машинно обучение се използват не само в потребителски продукти, но и за решаване на научни проблеми. С помощта на програмата Frontier Development Laboratory, която се организира вече втора година, НАСА проучва възможностите на алгоритмите за изкуствен интелект за космическо проучване. Всяко лято агенцията обединява малки групи изследователи за справяне с важни проблеми в космическите изследвания.
Общо екипите работят по пет проекта - защита на планетата от кометите в дълъг период, идентифициране на лунните кратери, създаване на триизмерни модели на околоземни астероиди, изучаване на ефекта на хелиосферата и космическото време върху земната атмосфера и магнитосфера, както и определяне на причините за слънчевите изблици и изхвърлянията на короналната маса. На конференцията за приключване в Санта Клара, която се проведе миналия четвъртък, учените представиха първите резултати.
IEEE Spectrum говори за резултатите от работата на двата екипа. Първият екип от изследователи използва данни от изследването Cameras for Allsky Meteor Survension (CAMS), за да прогнозира от метеорни душове кога следващата дългосрочна комета ще лети близо до Земята. Като част от CAMS, шестдесет видеокамери, инсталирани на три станции, наблюдават небето в търсене на слаби метеори. Те намират метеорни дъждове и се опитват да ги свържат с наскоро откритите комети, които може да са оставили тези отломки. Екип от учени от лабораторията за развитие на границите разработи невронна мрежа, която разграничава бързо движещите се метеори от облаци, светулки и самолети (обикновено се правят на ръка) и след това групира изображенията във времето. По този начин алгоритъмът намира неизвестни дотогава метеорни душове.
В 90 процента от случаите прогнозите на невронната мрежа, която се тества в продължение на два месеца, съвпадат с класификацията на обектите от хората. В пилотен проект екипът анализира около милион метеори. Някои експерти обаче бяха скептично настроени към проекта: по-специално те поискаха доказателство, че метеорните дъждове не са шум в данните, а също и че те са останки от комети, а не астероиди или други източници. Един от създателите на проекта, Марсело де Сико от Бразилския национален институт по метрология, се съгласи, че нервната мрежа все още трябва да бъде подобрена.
Авторите на втория проект работиха с данни от междупланетарната станция Lunar Reconnaisance Orbiter (LRO), за да създадат по-подробна карта на лунната повърхност. Учените за първи път използваха информация от лунния орбитер на лунния орбитер (LOLA), за да създадат цифрова карта на кота на спътника. Той обаче имаше един недостатък - съдържаше артефакти. Всеки път, когато LRO обикаля около Луната, тя леко се отклонява от идеалната си орбита. Поради това измерванията са неточни и скали и пукнатини се появяват там, където не са.
За да разрешат този проблем, изследователите съпоставиха картата с изображения от камерата за тесен ъгъл (NAC), която записва слънчева светлина, отразена от лунната повърхност. Използвайки алгоритъм за машинно обучение, екипът отсече артефактите и направи по-точна карта на земния спътник. Учените също научиха система за изкуствен интелект за разграничаване на кратери от сенки и подобни предмети. Точността на програмата беше 98 процента.
През последните години астрономите все по-често използват невронни мрежи в работата си. Например, компютърните алгоритми вече помагат на учените да определят състава на атмосферите на екзопланети и да проследяват движението на звезди в галактиката.
Промоционално видео:
Кристина Уласович