У NASA запропонували стежити за небезпечними кометами за допомогою ШІ

Учасники програми NASA Frontier Development Laboratory 17 серпня представили проекти з використання машинного навчання в космосі. Зокрема, команди показали системи штучного інтелекту для визначення орбіт потенційно небезпечних комет і поліпшення карт поверхні Місяця. Про це розповідає.

Такі компанії, як Facebook або Google, використовують машинне навчання для перекладу тексту або розпізнавання людей на фотографіях, проте методи машинного навчання використовуються не тільки в користувальницьких продуктах, а й для вирішення наукових проблем. За допомогою програми Frontier Development Laboratory, яка організовується ось уже другий рік, NASA досліджує можливості алгоритмів штучного інтелекту для вивчення космосу. Щоліта агентство збирає невеликі групи дослідників для вирішення важливих проблем у галузі космічних досліджень.

Всього команди працюють над п'ятьма проектами - захист планети від довгоперіодичних комет, визначення місячних кратерів, створення тривимірних моделей навколоземних астероїдів, вивчення впливу геліосфери і космічної погоди на атмосферу і магнітосферу Землі і визначення причин появи сонячних спалахів і корональних викидів маси. На конференції Wrap-Up у місті Санта-Клара, яка пройшла минулого четверга, вчені представили перші результати.

IEEE Spectrum розповів про підсумки роботи двох команд. Перша група дослідників використовувала дані огляду Cameras for Allsky Meteor Surveillance (CAMS) для того, щоб метеорними потоками передбачити, коли поруч із Землею пролетить наступна довгоперіодична комета. У рамках CAMS шістдесят відеокамер, встановлених на трьох станціях, спостерігають за небом у пошуках тьмяних метеорів. Вони знаходять метеорні потоки і намагаються співвіднести їх з недавно відкритими кометами, які могли залишити ці осколки. Команда вчених з Frontier Development Laboratory розробила нейромережу, що відрізняє швидко летючі метеори від хмар, світлячків і літаків (зазвичай це роблять вручну), а потім групує зображення за часом. Таким чином, алгоритм знаходить раніше невідомі метеорні потоки.

У 90 відсотках випадків передбачення нейромережі, яка тестувалася протягом двох місяців, збігалася з класифікацією об'єктів людини. У пілотному проекті група проаналізувала близько мільйона метеорів. Тим не менш, деякі експерти поставилися до проекту скептично: зокрема, вони вимагали доказів того, що метеорні потоки - це не шум в даних, а також, що вони є залишками комет, а не астероїдів або інших джерел. Один з творців проекту, Марчело де Чікко (Marcelo de Cicco) з Бразильського національного інституту метрології, погодився, що нейромережа ще потребує доопрацювання.

Автори другого проекту працювали з даними міжпланетної станції Lunar Reconnaisance Orbiter (LRO), щоб створити більш детальну карту поверхні Місяця. Спочатку вчені використовували інформацію, отриману альтиметром Lunar Orbiter Laser Altimeter (LOLA), щоб створити цифрову карту рельєфу супутника. Однак у неї був один недолік - вона містила артефакти. Кожен раз, коли LRO робить оборот навколо Місяця, він трохи відхиляється від своєї ідеальної орбіти. Через це, вимірювання виходять неточними і скелі і тріщини з'являються там, де їх немає.

Щоб вирішити цю проблему, дослідники зіставили карту зі знімками камери Narrow An^ Camera (NAC), яка реєструє сонячне світло, відображене від поверхні Місяця. Використовуючи алгоритм машинного навчання, команда відсіяла артефакти і склала більш точну карту супутника Землі. Вчені також навчили систему штучного інтелекту відрізняти кратери від тіней і схожих на них об'єктів. Точність роботи програми склала 98 відсотків.

Астрономи в останні роки все частіше використовують нейромережі в роботі. Так, комп'ютерні алгоритми вже допомагають вченим визначати склад атмосфер екзопланет і відстежувати рух зірок у галактиці.