تحلیل داده‌های فضایی با یادگیری ماشین | هوش مصنوعی در کاوش مریخ

Alavi — Wed, 23 Oct 2024 11:26:16 +0000

تحلیل نمونه ها با یادگیری ماشین

در این پست از وبلاگ Bennu AI، به نقش هوش مصنوعی به خصوص الگوریتم‌های یادگیری ماشین در کاوش‌های فضایی می‌پردازیم.

زمانی که کاوشگر Rosalind Franklin به رهبری آژانس فضایی اروپا (ESA) به سمت مریخ حرکت کند، (این سفر قرار است در بهترین حالت در سال 2028 انجام شود) الگوریتم یادگیری ماشین ناسا پس از بیش ده سال آموزش داده در آزمایشگاه، فرصتی برای درخشش خواهد یافت. این الگوریتم بر روی دستگاه تجزیه و تحلیل مولکول‌های آلی مریخ (MOMA) که یک دستگاه اسپکتروفتومتر جرمی است و در این کاوشگر قرار دارد، استفاده خواهد شد. MOMA نمونه‌های جمع‌آوری‌شده توسط یک مته کورینگ را تجزیه و تحلیل کرده و نتایج را به زمین ارسال می‌کند، جایی که این نتایج به الگوریتم وارد می‌شود تا ترکیبات آلی موجود در نمونه‌ها شناسایی شوند. اگر این روبات موفق به یافتن هر گونه ترکیب آلی شود، الگوریتم می‌تواند فرآیند شناسایی آن‌ها را به طور قابل توجهی سرعت ببخشد و به دانشمندان کمک کند تا به طور بهینه از مریخ‌نورد در سیاره سرخ استفاده کنند.

روزها

ساعت‌

دقیقه

ثانیه

چالش‌های سفر

وقتی یک کاوشگر بر روی سیاره دیگری فرود می‌‌آید، به دلیل کوتاه بودن مدت ماموریت‌ها و پیچیدگی آزمایشات، دانشمندان زمان بسیار محدودی برای جمع‌آوری اطلاعات از ذخایر قابل کاوش دارند. به همین دلیل، محققان در مرکز پرواز فضایی گودارد ناسا در گرین‌بلت مریلند، درحال بررسی استفاده از یادگیری ماشین برای کمک به تحلیل سریع داده های کاوشگر و کمک به دانشمندان در زمین برای برنامه‌ریزی بهینه‌ترین استفاده از زمان محدود در فضا هستند.

شاون لی، دانشمند اسپکتروگرافی جرمی در آزمایشگاه محیط‌های سیاره‌ای ناسا گودارد، می‌گوید: “این الگوریتم یادگیری ماشین می‌تواند با فیلتر کردن سریع داده‌ها و شناسایی داده‌هایی که احتمالاً برای ما مهم‌تر هستند، به ما کمک کند.”

این الگوریتم ابتدا بر روی یک کامپیوتر مستقر در زمین با داده‌های مربوط به مریخ آزمایش خواهد شد تا بتواند به خوبی یکی از ابزارهای اصلی علمی در ماموریت آینده ExoMars باشد. در این ماموریت کاوشگر Rosalind Franklin یک نمونه جمع‌آوری کرده و آن را با دستگاه MOMA تحلیل می‌کند، داده‌ها به زمین ارسال می‌شوند و دانشمندان از یافته‌ها برای تصمیم‌گیری در مورد بهترین اقدام بعدی استفاده خواهند کرد.

“برای مثال، اگر نمونه‌ای را پیدا کنیم که نشانه‌هایی از ترکیب‌های آلی بزرگ و پیچیده در ترکیب با مواد معدنی خاص نشان می‌دهد، ممکن است بخواهیم تحلیل بیشتری روی آن نمونه انجام دهیم یا حتی توصیه کنیم که کاوشگر با مته کورینگ خود نمونه دیگری جمع‌آوری کند.”
هدف از این ماموریت پاسخ دادن به این سوال است: آیا در گذشته سیاره سرخ زندگی جریان داشته است؟

نقش الگوریتم‌ها در شناسایی ترکیبات شیمیایی مریخ

در هوش مصنوعی، یادگیری ماشین به روشی اشاره دارد که در آن کامپیوترها با کمک داده‌های بسیار زیاد یاد می‌گیرند تا الگوها را شناسایی کرده و تصمیم‌گیری کنند یا به نتیجه‌گیری برسند. این فرآیند خودکار می‌تواند زمانی بسیار قدرتمند باشد که الگوها برای محققان انسانی که به همان داده‌ها نگاه می‌کنند، واضح نباشند؛ موضوعی که در مجموعه‌های داده بزرگ و پیچیده مانند داده‌های تصویری و تحلیل طیفی شایع است.
طبق گفته ویکتوریا دا پویان (رهبر توسعه الگوریتم یادگیری ماشین ناسا) محققان به مدت بیش از یک دهه داده‌های آزمایشگاهی جمع‌آوری کرده‌اند. دانشمندان این الگوریتم را با ارائه نمونه‌هایی از مواد که ممکن است در مریخ یافت شوند و برچسب‌گذاری آن‌ها آموزش می‌دهند. سپس این الگوریتم داده‌های MOMA را به عنوان ورودی استفاده کرده و پیش‌بینی‌هایی از ترکیب شیمیایی نمونه مورد مطالعه را بر اساس آموزش‌های خود ارائه می‌دهد.

“هر چه بیشتر به تحلیل داده‌ را بهینه کنیم، اطلاعات و زمان بیشتری برای دانشمندان فراهم می‌شود تا داده‌ها را تفسیر کنند. به این ترتیب، می‌توانیم به سرعت به نتایج واکنش نشان دهیم و مراحل بعدی را برنامه‌ریزی کنیم، انگار که در کنار کاوشگر هستیم.”

سفر به اعماق: در جستجوی زندگی در لایه‌های زیرین مریخ

آنچه Rosalind Franklin را منحصر به فرد می‌کند و ممکن است منجر به کشف‌های جدید شود، توانایی این کاوشگر در حفر حدود ۲ متر (۶.۶ فوت) در سطح مریخ است. کاوشگرهای قبلی تنها به عمق حدود ۷ سانتی‌متر (۲.۸ اینچ) زیر سطح رسیده‌اند.

لی گفت: “مواد آلی موجود در سطح مریخ بیشتر در معرض تخریب ناشی از تابش‌های سطحی و پرتوهای کیهانی قرار دارند، اما در عمق دو متر در صورت وجود مواد آلی از آن‌ها محفاظت شده است. بنابراین، MOMA پتانسیل شناسایی مواد آلی باستانی حفظ‌شده را دارد که یک گام مهم در جستجوی زندگی گذشته خواهد بود.”

دوران جدید اکتشافات: کاوشگرهای خودکار در گشت‌وگذار منظومه شمسی

همواره جستجوی نشانه‌های حیات در دنیاهای فراتر از زمین جزو فعالیت‌های اصلی ناسا و جامعه علمی بوده است. لی و دا پویان الگوریتم خود را به ‌عنوان ابزار کارآمدی برای اکتشافات آینده سایر اهداف فضایی مانند ماه‌های زحل، تایتان و انسلادوس، و همچنین ماه مشتری( اروپا) می‌بینند.
هدف بلند مدت این دانشمندان دستیابی به خودکاری بیشتر در کاوش است. به صورتیکه دستگاه اسپکتروگرافی جرمی به‌طور مستقل داده‌های خود را تحلیل کرده و حتی به تصمیم‌گیری‌های عملیاتی به‌صورت خودکار کمک می‌کند و در نتیجه کارایی به‌طرز چشمگیری افزایش می‌یابد. این امر به‌خصوص در ماموریت‌های اکتشاف فضایی که هدف آن‌ها اجرام سیاره‌ای دورتر است، حیاتی خواهد بود. علم خودمختار می‌تواند به اولویت‌بندی جمع‌آوری داده‌ها و ارتباطات کمک کند و در نهایت به دستیابی به علمی بسیار بیشتر از آنچه که در حال حاضر در این گونه مأموریت‌های دور ممکن است، منجر شود.
پروژه MOMA به رهبری مؤسسه تحقیقاتی ماکس پلانک برای پژوهش‌های منظومه شمسی (MPS) در آلمان و با سرپرستی دکتر فرد گزمند انجام می‌شود. ناسا گودارد، زیرسیستم اسپکتروگرافی جرمی MOMA را توسعه و ساخته است که وزن مولکولی ترکیبات شیمیایی موجود در نمونه‌های جمع‌آوری‌شده از مریخ را اندازه‌گیری خواهد کرد.

این پست از سایت مرکز هوش مصنوعی بنو برگرفته از نوشته ی لینک زیر میباشد:

https://www.nasa.gov/technology/nasa-trains-machine-learning-algorithm-for-mars-sample-analysis/

برای دیدن پست های قبلی سایت بنو در مورد جدیدترین رویدادهای هوش مصنوعی، به این لینک مراجعه کنین!