Искусственный интеллект продвигает космические исследования

Привет. Если удаленная комета находится на курсе столкновения с Землей, ученые смогут обнаружить ее только примерно за год до этого события. Это практически не оставляет времени для подготовки.

Исследователи искусственного интеллекта полагают, что у них есть ключ к тому, чтобы астрономы могли предвидеть события с достаточным запасом времени: алгоритмы машинного обучения, которые могут быстрее идентифицировать и сгруппировать обломки, которые оставляют кометы за собой. Ускоряя анализ метеорных потоков, ученые надеются определить орбиты отдаленных, но потенциально опасных комет. Этот проект является одним из пяти проектов экспериментальной исследовательской программы искусственного интеллекта, спонсируемой NASA.

Недавно на мероприятии в компании Intel участники экспериментальных ускорителей лаборатории NASA Frontier Development Laboratory представили результаты, показывающие, как искусственный интеллект может продвинуть вперед космическую науку. Инженеры компаний, включая Intel, IBM, NVIDIA и Lockheed Martin участвуют в поддержке проектов.

Компании, такие как Facebook и Google, используют машинное обучение AI для прогнозирования привычек покупателей, но пока эта технология широко не применялась к фундаментальным научным проблемам. Теперь в свой лаборатории NASA изучает такие возможности. Лаборатория поддерживает небольшие группы компьютерных и планетарных научных исследователей для работы над важными проблемами в области космической науки.

Кометы, орбиты которых выходят далеко за пределы Юпитера, слишком далеки, чтобы их можно было наблюдать непосредственно. То, что мы можем видеть, - это следы, которые они оставляют за собой. Одним из ключей является метеорный поток, который происходит, когда Земля проходит через обломки, оставленные кометой. 

Исследователи разработали алгоритм классификации изображений, чтобы быстрее отличать метеоры от проходящих облаков, самолетов и пр. (задача, обычно выполняемая людьми), а затем объединяли эти данные за определенные периоды времени. При этом они смогли привлечь внимание к группе ранее неопознанных метеорных потоков. Эти потоки, по мнению группы, могут быть свидетельством ранее неизвестных долгопериодических комет.

Нейронная сеть, созданная и протестированная группой исследователей, в результате анализа данных в течение двух месяцев согласилась с человеческими классификациями метеоров примерно в 90% случаев. В рамках пилотного проекта группа проанализировала около миллиона метеоров.

Некоторые исследователи NASA хотели увидеть больше доказательств того, что метеоры, обнаруженные нейронной сетью, не были ошибкой; другие хотели получить больше доказательств того, что метеоры были на самом деле из комет, а не астероидов или других источников. 

Другие исследовательские проекты продвинулись дальше. Одна группа использовала ускоритель глубокого обучения Intel, называемый Nervana, для улучшения разрешения карт луны. Эта команда также использовала нейронную сеть для классификации изображений, как кратор или не кратор. Их результаты согласуются с классификацией изображений, сделанных человеком примерно в 98% случаев, что примерно в пять раз превышает точность предыдущих систем анализа изображений. Цель группы - обеспечить разведку Луны, чтобы будущие лунные роверы не попадали в неотображаемые кратеры, ища воду на полюсах луны. Полюсы сильно затенены, поэтому там трудно отличить кратер от тени.

Две команды, работающие над прогнозированием солнечных вспышек - магнитные импульсы, которые могут вызвать проблемы с сетью, GPS и другими системами, получили поддержку от IBM и Lockheed Martin. Алгоритм одной группы, называемый FlareNET, превзошел существующую систему NOAA для прогнозирования солнечных вспышек. 

Эти проекты показывают, как AI может продвинуть рабочий процесс изучения космоса и выполнить объем работы нескольких месяцев за несколько часов. 

Подробней, фото1, фото2