NASA разработало алгоритм машинного обучения для ускорения анализа данных марсохода
Когда роботизированный марсоход оказывается на другой планете, учёные имеют ограниченное время для сбора данных из-за короткой продолжительности миссии и длительности экспериментов. Чтобы оптимизировать этот процесс, исследователи из Центра космических полетов имени Годдарда NASA изучают использование машинного обучения для ускоренного анализа данных, полученных марсоходом.
Алгоритм машинного обучения будет протестирован на данных с Марса, собранных прибором MOMA (Mars Organic Molecule Analyzer), одним из основных научных инструментов предстоящей миссии ExoMars Rosalind Franklin Rover, возглавляемой Европейским космическим агентством (ESA). Марсоход, запуск которого запланирован не ранее 2028 года, нацелен на определение существования жизни на Красной планете в прошлом.
«Этот алгоритм машинного обучения может помочь нам, быстро фильтруя данные и указывая, какие данные, вероятно, будут наиболее интересными или важными для изучения», — сказал Сян «Шон» Ли, экспертNASA в области масс-спектрометрии в лаборатории планетарной среды.
После того, как «Розалинда Франклин» соберёт образец и проанализирует его с помощью MOMA, данные будут отправлены на Землю, где учёные будут использовать полученные данные для принятия решения о наилучшем курсе дальнейших действий. Например, если будут обнаружены признаки крупных сложных органических соединений, смешанных с определенными минералами, то может быть рекомендован более глубокий анализ этого образца или даже сбор дополнительного образца с помощью буровой установки.
Специалист по обработке данных NASA Виктория Да Пойан представляет алгоритм машинного обучения MOMA на конференции Supercomputing 2023 в Денвере (Колорадо).
Источник: NASA / Donovan MathiasУчёные обучают алгоритм, предоставляя ему примеры веществ, которые могут быть найдены на Марсе, и маркируя их. Затем алгоритм будет использовать данные MOMA в качестве входных и выходных прогнозов химического состава изучаемого образца на основе результатов обучения.
«Чем больше мы делаем для оптимизации анализа данных, тем больше информации и времени будет для интерпретации данных. Таким образом, мы можем быстро реагировать на результаты и планировать следующие шаги, как будто находимся рядом с марсоходом, — гораздо быстрее, чем раньше», — сказала Виктория Да Пойан, специалист по данным в NASA, которая является одним из руководителей разработки алгоритма машинного обучения.
Марсоход Rosalind Franklin уникален тем, что он сможет пробурить поверхность Марса на глубину около 6,6 футов (2 метра), в то время как предыдущие марсоходы достигали лишь около 2,8 дюймов (7 сантиметров). Глубокое бурение позволит защитить органические материалы от радиации на поверхности и космических лучей, повышая вероятность обнаружения сохранившейся древней органики.
Долгосрочная цель исследователей — достичь ещё большей «научной автономии», когда масс-спектрометр будет анализировать собственные данные и даже помогать автономно принимать оперативные решения, что значительно повысит эффективность науки и миссии. Это будет иметь решающее значение для будущих миссий по исследованию космоса, нацеленных на более отдалённые планетарные тела.
«Долгосрочная мечта — это высокоавтономная миссия. На данный момент алгоритм машинного обучения MOMA — это инструмент, который поможет учёным на Земле легче изучать эти важные данные», — сказала Да Пойан.
© iXBT
