NASA pierobežas attīstības laboratorijas programmas dalībnieki 17. augustā iepazīstināja ar projektiem par mašīnmācības izmantošanu kosmosā. Jo īpaši komandas parādīja mākslīgā intelekta sistēmas, lai noteiktu potenciāli bīstamo komētu orbītas un uzlabotu Mēness virsmas kartes. IEEE Spektrs par to runā.
Uzņēmumi, piemēram, Facebook vai Google, izmanto mašīnmācību, lai tulkotu tekstu vai atpazītu cilvēkus fotogrāfijās, bet mašīnmācīšanās metodes tiek izmantotas ne tikai pielāgotos izstrādājumos, bet arī zinātnisku problēmu risināšanā. Ar Robežu attīstības laboratorijas programmas palīdzību, kas tiek organizēta jau otro gadu, NASA pēta mākslīgā intelekta algoritmu iespējas kosmosa izpētē. Katru vasaru aģentūra pulcē nelielas pētnieku grupas, lai risinātu svarīgas kosmosa pētījumu problēmas.
Kopumā komandas strādā pie pieciem projektiem - aizsargā planētu no ilgtermiņa komētām, identificē Mēness krāterus, izveido Zemes tuvumā esošo asteroīdu trīsdimensiju modeļus, pēta heliosfēras un kosmosa laika apstākļu ietekmi uz Zemes atmosfēru un magnetosfēru un nosaka saules uzliesmojumu un koronālās masas izmešanas cēloņus. Wrap-Up konferencē Santaklārā, kas notika pagājušajā ceturtdienā, zinātnieki iepazīstināja ar pirmajiem rezultātiem.
IEEE Spectrum runāja par abu komandu darba rezultātiem. Pirmā pētnieku grupa izmantoja Allsky meteor Surveillance (CAMS) apsekojuma Cameras datus, lai no meteoru dušām paredzētu, kad nākamā ilgstošā komēta lidos netālu no Zemes. CAMS ietvaros sešdesmit videokameras, kas uzstādītas trīs stacijās, vēro debesis, meklējot vājus meteorītus. Viņi atrod meteoru dušas un mēģina tās korelēt ar nesen atklātām komētām, kuras, iespējams, atstājušas šos gružus. Robežu attīstības laboratorijas zinātnieku komanda ir izveidojusi neironu tīklu, kas atšķir ātri kustīgus meteorītus no mākoņiem, ugunsdzēsējiem un lidmašīnām (parasti to dara ar rokām) un pēc tam attēlus sagrupē laikā. Tādējādi algoritms atrod iepriekš nezināmus meteoru dušas.
90 procentos gadījumu neironu tīkla prognozes, kuras tika pārbaudītas divus mēnešus, sakrita ar cilvēku veikto objektu klasifikāciju. Izmēģinājuma projektā komanda analizēja apmēram miljonu meteorītu. Tomēr daži eksperti bija skeptiski noskaņoti attiecībā uz projektu: jo īpaši viņi pieprasīja pierādījumus tam, ka meteorītu dušas nav trokšņa datos un arī ka tās ir komētu paliekas, nevis asteroīdi vai citi avoti. Viens no projekta veidotājiem Marcelo de Cicco no Brazīlijas Nacionālā metroloģijas institūta vienojās, ka neironu tīkls joprojām ir jāuzlabo.
Otrā projekta autori strādāja ar Lunar Reconnaisance Orbiter (LRO) starpplanētu stacijas datiem, lai izveidotu detalizētāku Mēness virsmas karti. Lai izveidotu satelīta digitālo pacēluma karti, zinātnieki vispirms izmantoja informāciju no Lunar Orbiter lāzera altimetra (LOLA). Tomēr tam bija viens trūkums - tajā bija artifacts. Katru reizi, kad LRO riņķo ap Mēnesi, tas nedaudz novirzās no ideālās orbītas. Tāpēc mērījumi ir neprecīzi, un klintis un plaisas parādās tur, kur to nav.
Lai atrisinātu šo problēmu, pētnieki salīdzināja karti ar attēliem no šaurā leņķa kameras (NAC), kas reģistrē saules gaismu, kas atstarota no Mēness virsmas. Izmantojot mašīnmācīšanās algoritmu, komanda atsijāja artefaktus un sastādīja precīzāku Zemes pavadoņa karti. Zinātnieki ir iemācījuši arī mākslīgā intelekta sistēmu, lai atdalītu krāterus no ēnām un līdzīgiem objektiem. Programmas precizitāte bija 98 procenti.
Astronomi pēdējos gados savā darbā arvien vairāk izmanto neironu tīklus. Piemēram, datoru algoritmi jau palīdz zinātniekiem noteikt eksoplanetu atmosfēras sastāvu un izsekot zvaigžņu kustībai galaktikā.
Reklāmas video:
Kristīna Ulasoviča