Peserta program NASA Frontier Development Laboratory pada 17 Ogos membentangkan projek penggunaan pembelajaran mesin di ruang angkasa. Secara khusus, pasukan menunjukkan sistem kecerdasan buatan untuk menentukan orbit komet yang berpotensi berbahaya dan memperbaiki peta permukaan bulan. IEEE Spectrum membincangkannya.
Syarikat seperti Facebook atau Google menggunakan pembelajaran mesin untuk menterjemahkan teks atau mengenali orang dalam foto, tetapi teknik pembelajaran mesin tidak hanya digunakan dalam produk khusus, tetapi juga untuk menyelesaikan masalah saintifik. Dengan bantuan program Frontier Development Laboratory, yang disusun untuk tahun kedua, NASA sedang meneroka kemungkinan algoritma kecerdasan buatan untuk penerokaan angkasa lepas. Setiap musim panas, agensi ini mengumpulkan sekumpulan kecil penyelidik untuk mengatasi masalah penyelidikan ruang angkasa yang penting.
Secara keseluruhan, pasukan sedang mengerjakan lima projek - melindungi planet ini dari komet jangka panjang, mengenal pasti kawah bulan, membuat model tiga dimensi asteroid dekat Bumi, mengkaji kesan heliosfera dan cuaca ruang angkasa di atmosfera dan magnetosfera Bumi, dan menentukan penyebab suar suria dan pelepasan massa koronal. Pada persidangan Wrap-Up di Santa Clara, yang berlangsung pada Khamis lalu, para saintis menyampaikan hasil pertama.
IEEE Spectrum bercakap mengenai hasil kerja kedua pasukan. Pasukan penyelidik pertama menggunakan data dari tinjauan Kamera untuk Pengawasan Meteor (CAMS) untuk meramalkan dari hujan meteor ketika komet jangka panjang akan terbang di dekat Bumi. Sebagai sebahagian daripada CAMS, enam puluh kamera video yang dipasang di tiga stesen menyaksikan langit mencari meteor samar. Mereka menjumpai hujan meteor dan cuba mengaitkannya dengan komet yang baru ditemui yang mungkin meninggalkan serpihan ini. Sekumpulan saintis dari Frontier Development Laboratory telah mengembangkan rangkaian saraf yang membezakan meteor yang bergerak pantas dari awan, kunang-kunang dan pesawat (biasanya dilakukan dengan tangan), dan kemudian mengelompokkan gambar tepat pada waktunya. Oleh itu, algoritma mendapati hujan meteor yang tidak diketahui sebelumnya.
Dalam 90 peratus kes, ramalan rangkaian saraf, yang diuji selama dua bulan, bertepatan dengan klasifikasi objek oleh manusia. Dalam projek perintis, pasukan menganalisis kira-kira sejuta meteor. Namun, beberapa pakar ragu-ragu mengenai projek ini: khususnya, mereka menuntut bukti bahawa hujan meteor tidak bising dalam data, dan juga bahawa mereka adalah sisa-sisa komet, dan bukan asteroid atau sumber lain. Salah satu pencipta projek itu, Marcelo de Cicco dari Institut Metrologi Nasional Brazil, bersetuju bahawa rangkaian saraf masih perlu diperbaiki.
Pengarang projek kedua bekerja dengan data dari stesen interplanetari Lunar Reconnaisance Orbiter (LRO) untuk membuat peta permukaan bulan yang lebih terperinci. Para saintis mula-mula menggunakan maklumat dari Lunar Orbiter Laser Altimeter (LOLA) untuk membuat peta ketinggian digital satelit. Walau bagaimanapun, ia mempunyai satu kelemahan - ia mengandungi artifak. Setiap kali LRO mengorbit Bulan, ia sedikit menyimpang dari orbit idealnya. Oleh kerana itu, pengukuran tidak tepat dan batu dan retakan muncul di tempat yang tidak tepat.
Untuk menyelesaikan masalah ini, para penyelidik memadankan peta dengan gambar dari Narrow Angle Camera (NAC), yang mencatat cahaya matahari yang dipantulkan dari permukaan bulan. Dengan menggunakan algoritma pembelajaran mesin, pasukan menyingkirkan artifak dan membuat peta satelit Bumi yang lebih tepat. Para saintis juga telah mengajar sistem kecerdasan buatan untuk membezakan kawah dari bayang-bayang dan objek serupa. Ketepatan program adalah 98 peratus.
Ahli astronomi semakin banyak menggunakan rangkaian saraf dalam pekerjaan mereka dalam beberapa tahun kebelakangan ini. Sebagai contoh, algoritma komputer sudah membantu para saintis menentukan komposisi atmosfera eksoplanet dan mengesan pergerakan bintang di galaksi.
Video promosi:
Christina Ulasovich
