Участники программы NASA Frontier Development Laboratory 17 августа представили проекты по использованию машинного обучения в космосе. В частности, команды показали системы искусственного интеллекта для определения орбит потенциально опасных комет и улучшения карт поверхности Луны. Об этом рассказывает IEEE Spectrum.
Такие компании, как Facebook или Google, используют машинное обучение для перевода текста или распознавания людей на фотографиях, однако методы машинного обучения используются не только в пользовательских продуктах, но и для решения научных проблем. С помощью программы Frontier Development Laboratory, которая организуется вот уже второй год, NASA исследует возможности алгоритмов искусственного интеллекта для изучения космоса. Каждое лето агентство собирает небольшие группы исследователей для решения важных проблем в области космических исследований.
Всего команды работают над пятью проектами — защита планеты от долгопериодических комет, определение лунных кратеров, создание трехмерных моделей околоземных астероидов, изучение влияния гелиосферы и космической погоды на атмосферу и магнитосферу Земли и определение причин появления солнечных вспышек и корональных выбросов массы. На конференции Wrap-Up в городе Санта-Клара, которая прошла в прошлый четверг, ученые представили первые результаты.
IEEE Spectrum рассказал об итогах работы двух команд. Первая группа исследователей использовала данные обзора Cameras for Allsky Meteor Surveillance (CAMS) для того, чтобы по метеорным потокам предсказать, когда рядом с Землей пролетит следующая долгопериодическая комета. В рамках CAMS шестьдесят видеокамер, установленных на трех станциях, наблюдают за небом в поисках тусклых метеоров. Они находят метеорные потоки и пытаются соотнести их с недавно открытыми кометами, которые могли оставить эти осколки. Команда ученых из Frontier Development Laboratory разработала нейросеть, отличающую быстро летящие метеоры от облаков, светлячков и самолетов (обычно это делают вручную), а затем группирует изображения по времени. Таким образом, алгоритм находит ранее неизвестные метеорные потоки.
В 90 процентах случаев предсказания нейросети, которая тестировалась в течение двух месяцев, совпадала с классификацией объектов людьми. В пилотном проекте группа проанализировала около миллиона метеоров. Тем не менее, некоторые эксперты отнеслись к проекту скептически: в частности, они требовали доказательств того, что метеорные потоки — это не шум в данных, а также, что они являются остатками комет, а не астероидов или других источников. Один из создателей проекта, Марчело де Чикко (Marcelo de Cicco) из Бразильского национального института метрологии, согласился, что нейросеть еще нуждается в доработке.
Авторы второго проекта работали с данными межпланетной станции Lunar Reconnaisance Orbiter (LRO), чтобы создать более детальную карту поверхности Луны. Сначала ученые использовали информацию, полученную альтиметром Lunar Orbiter Laser Altimeter (LOLA), чтобы создать цифровую карту рельефа спутника. Однако у нее был один недостаток — она содержала артефакты. Каждый раз, когда LRO делает оборот вокруг Луны, он немного отклоняется от своей идеальной орбиты. Из-за этого, измерения получаются неточными и скалы и трещины появляются там, где их нет.
Чтобы решить эту проблему, исследователи сопоставили карту со снимками камеры Narrow Angle Camera (NAC), которая регистрирует солнечный свет, отраженный от поверхности Луны. Используя алгоритм машинного обучения, команда отсеяла артефакты и составила более точную карту спутника Земли. Ученые также научили систему искусственного интеллекта отличать кратеры от теней и похожих на них объектов. Точность работы программы составила 98 процентов.
Астрономы в последние годы все чаще используют нейросети в работе. Так, компьютерные алгоритмы уже помогают ученым определять состав атмосфер экзопланет и отслеживать движение звезд в галактике.
Кристина Уласович