Účastníci programu NASA Frontier Development Laboratory 17. srpna představili projekty využití strojového učení ve vesmíru. Týmy zejména ukázaly systémy umělé inteligence pro určování oběžných drah potenciálně nebezpečných komet a pro zlepšení map lunárního povrchu. IEEE Spectrum o tom mluví.
Společnosti jako Facebook nebo Google používají strojové učení k překladu textu nebo k poznání lidí na fotografiích, ale techniky strojového učení se používají nejen ve vlastních výrobcích, ale také k řešení vědeckých problémů. S pomocí programu Frontier Development Laboratory, který je organizován již druhý rok, NASA zkoumá možnosti algoritmů umělé inteligence pro průzkum vesmíru. Každé léto agentura sdružuje malé skupiny výzkumných pracovníků za účelem řešení důležitých problémů kosmického výzkumu.
Celkově týmy pracují na pěti projektech - chránit planetu před dlouhodobými kometami, identifikovat měsíční krátery, vytvářet trojrozměrné modely asteroidů blízkých Zemi, studovat vliv helioféry a kosmického počasí na zemskou atmosféru a magnetosféru a určovat příčiny slunečních erupcí a výronů koronální hmoty. Na konferenci Wrap-Up v Santa Claře, která se konala minulý čtvrtek, představili vědci první výsledky.
IEEE Spectrum hovořil o výsledcích práce obou týmů. První tým vědců použil data z průzkumu Kamery pro sledování meteorů Allsky Meteor Surveillance (CAMS), aby předpovídal meteorické sprchy, kdy bude příští dlouhodobá kometa létat poblíž Země. V rámci CAMS sleduje šedesát videokamer instalovaných na třech stanicích oblohu a hledá slabé meteory. Najdou meteorické sprchy a snaží se je porovnat s nedávno objevenými kometami, které mohly tyto trosky opustit. Tým vědců z Frontier Development Laboratory vyvinul neuronovou síť, která rozlišuje rychle se pohybující meteory od mraků, světlušek a letadel (obvykle se provádí ručně), a poté obrázky seskupuje v čase. Algoritmus tak najde dříve neznámé meteorické sprchy.
V 90 procentech případů se předpovědi neuronové sítě, která byla testována dva měsíce, shodovaly s klasifikací objektů lidmi. V pilotním projektu tým analyzoval asi milion meteorů. Někteří odborníci však ohledně projektu byli skeptičtí: požadovali zejména důkaz, že meteorické sprchy nejsou v datech hlukem a že jsou zbytky komet, nikoli asteroidů nebo jiných zdrojů. Jeden z tvůrců projektu, Marcelo de Cicco z Brazilského národního institutu metrologie, souhlasil s tím, že nervová síť musí být ještě vylepšena.
Autoři druhého projektu pracovali s údaji z meziplanetární stanice Lunar Reconnaisance Orbiter (LRO) pro vytvoření podrobnější mapy lunární plochy. Vědci nejprve použili informace z laserového výškoměru Lunar Orbiter (LOLA) k vytvoření digitální výškové mapy satelitu. Měl však jednu nevýhodu - obsahoval artefakty. Pokaždé, když LRO obíhá kolem Měsíce, mírně se odchyluje od své ideální dráhy. Z tohoto důvodu jsou měření nepřesná a kameny a praskliny se objevují tam, kde nejsou.
K vyřešení tohoto problému vědci spojili mapu s obrázky z Úzké úhlové kamery (NAC), která zaznamenává sluneční světlo odrazené od povrchu měsíce. Pomocí algoritmu strojového učení tým vyřadil artefakty a vytvořil přesnější mapu pozemského satelitu. Vědci také naučili systém umělé inteligence, který odlišuje krátery od stínů a podobných předmětů. Přesnost programu byla 98 procent.
Astronomové v posledních letech ve své práci stále více používají neuronové sítě. Například počítačové algoritmy již pomáhají vědcům určit složení atmosféry exoplanet a sledovat pohyb hvězd v galaxii.
Propagační video:
Christina Ulasovich