Sudionici programa NASA Frontier Development Laboratory 17. kolovoza predstavili su projekte o korištenju strojnog učenja u svemiru. Posebno su timovi pokazali sustave umjetne inteligencije za određivanje orbita potencijalno opasnih kometa i poboljšanje karata mjesečeve površine. IEEE Spectrum govori o tome.
Tvrtke poput Facebooka ili Googlea koriste strojno učenje kako bi prenijele tekst ili prepoznale ljude na fotografijama, ali se tehnike strojnog učenja koriste ne samo u prilagođenim proizvodima, već i za rješavanje znanstvenih problema. Uz pomoć programa Frontier Development Laboratory, koji se organizira već drugu godinu, NASA istražuje mogućnosti algoritama umjetne inteligencije za istraživanje svemira. Svako ljeto agencija okuplja male grupe istraživača kako bi se uhvatili u koštac sa važnim svemirskim istraživanjima.
Sveukupno, timovi rade na pet projekata - zaštiti planete od dugoročnih kometa, identificiranju lunarnih kratera, stvaranju trodimenzionalnih modela kopnenih asteroida, proučavanju utjecaja heliosfere i svemirskog vremena na Zemljinu atmosferu i magnetosferu, te utvrđivanju uzroka izbijanja sunca i izbacivanja koronalne mase. Na završnoj konferenciji u Santa Clari, koja se održala prošlog četvrtka, znanstvenici su predstavili prve rezultate.
IEEE Spectrum govorio je o rezultatima rada dva tima. Prvi tim istraživača upotrijebio je podatke iz Camera za istraživanje meteorskog nadzora Allsky (CAMS) kako bi predvidjeli od meteorskih pljuskova kada će sljedeća dugoročna kometa letjeti blizu Zemlje. Kao dio CAMS-a, šezdeset video kamera postavljenih na tri stanice promatra nebo u potrazi za slabim meteorima. Pronalaze meteorne pljuskove i pokušavaju ih povezati s nedavno otkrivenim kometama koji su možda ostavili ove krhotine. Tim znanstvenika iz Frontier Development Laboratorya razvio je neuronsku mrežu koja razlikuje meteore koji se brzo kreću od oblaka, krijesnica i aviona (obično se rade ručno), a zatim grupiraju slike na vrijeme. Dakle, algoritam pronalazi ranije nepoznate meteorske pljuskove.
U 90 posto slučajeva predviđanja neuronske mreže koja je testirana dva mjeseca podudarala su se s klasifikacijom objekata od strane ljudi. U pilot projektu, tim je analizirao oko milijun meteora. Međutim, neki su stručnjaci bili skeptični prema projektu: posebno su zahtijevali dokaz da meteorski pljuskovi nisu šum u podacima, kao i da su oni ostaci kometa, a ne asteroidi ili drugi izvori. Jedan od tvorca projekta, Marcelo de Cicco s brazilskog Nacionalnog instituta za mjeriteljstvo, složio se da neuronsku mrežu još uvijek treba poboljšati.
Autori drugog projekta radili su s podacima interplanetarne stanice Lunar Reconnaisance Orbiter (LRO) kako bi stvorili detaljniju kartu mjesečeve površine. Znanstvenici su prvo koristili podatke s laserskog visinomjera Lunar Orbiter (LOLA) za izradu digitalne karte nadmorske visine satelita. Međutim, imao je jedan nedostatak - sadržavao je artefakte. Svaki put kada LRO kruži oko Mjeseca, on malo odstupa od svoje idealne orbite. Zbog toga su mjerenja netočna te se pojavljuju stijene i pukotine tamo gdje ih nema.
Da bi riješili taj problem, istraživači su usporedili kartu sa slikama iz kamere uskog kuta (NAC), koja bilježi sunčevu svjetlost odrazu s mjesečeve površine. Pomoću algoritma strojnog učenja, tim je uklonio artefakte i napravio precizniju kartu Zemljinog satelita. Znanstvenici su također naučili sustav umjetne inteligencije za razlikovanje kratera od sjena i sličnih objekata. Točnost programa bila je 98 posto.
Astronomi posljednjih godina sve više koriste neuronske mreže u svom radu. Na primjer, računalni algoritmi već pomažu znanstvenicima u određivanju sastava atmosfere egzoplaneta i praćenju kretanja zvijezda u galaksiji.
Promotivni video:
Christina Ulasovich