Deelnemers aan het NASA Frontier Development Laboratory-programma presenteerden op 17 augustus projecten over het gebruik van machine learning in de ruimte. In het bijzonder toonden de teams kunstmatige-intelligentiesystemen voor het bepalen van de banen van potentieel gevaarlijke kometen en het verbeteren van kaarten van het maanoppervlak. IEEE Spectrum vertelt erover.
Bedrijven als Facebook of Google gebruiken machine learning om tekst te vertalen of mensen op foto's te herkennen, maar machine learning-technieken worden niet alleen gebruikt in maatwerkproducten, maar ook om wetenschappelijke problemen op te lossen. Met behulp van het Frontier Development Laboratory-programma, dat voor het tweede jaar wordt georganiseerd, onderzoekt NASA de mogelijkheden van kunstmatige intelligentie-algoritmen voor ruimteverkenning. Elke zomer brengt het bureau kleine groepen onderzoekers samen om belangrijke ruimteonderzoeksproblemen aan te pakken.
In totaal werken de teams aan vijf projecten: de planeet beschermen tegen kometen met een lange periode, maankraters identificeren, driedimensionale modellen van bijna-aardse asteroïden maken, het effect van de heliosfeer en het ruimteweer op de atmosfeer en magnetosfeer van de aarde bestuderen en de oorzaken van zonnevlammen en coronale massa-ejecties bepalen. Op de Wrap-Up-conferentie in Santa Clara, die afgelopen donderdag plaatsvond, presenteerden wetenschappers de eerste resultaten.
IEEE Spectrum sprak over de resultaten van het werk van de twee teams. Het eerste team van onderzoekers gebruikte gegevens van de Cameras for Allsky Meteor Surveillance (CAMS) -enquête om aan de hand van meteorenregen te voorspellen wanneer de volgende komeet met een lange periode nabij de aarde zal vliegen. Als onderdeel van CAMS kijken zestig videocamera's op drie stations naar de lucht op zoek naar zwakke meteoren. Ze vinden meteorenzwermen en proberen deze in verband te brengen met recent ontdekte kometen die dit puin mogelijk hebben achtergelaten. Een team van wetenschappers van het Frontier Development Laboratory heeft een neuraal netwerk ontwikkeld dat snel bewegende meteoren onderscheidt van wolken, vuurvliegjes en vliegtuigen (meestal met de hand gedaan), en de beelden vervolgens in de tijd groepeert. Zo vindt het algoritme voorheen onbekende meteorenregen.
In 90 procent van de gevallen vielen de voorspellingen van het neurale netwerk, dat twee maanden werd getest, samen met de classificatie van objecten door mensen. In een proefproject analyseerde het team ongeveer een miljoen meteoren. Sommige experts waren echter sceptisch over het project: in het bijzonder eisten ze bewijs dat meteorenregen geen ruis in de gegevens zijn, en ook dat ze de overblijfselen zijn van kometen, en niet van asteroïden of andere bronnen. Een van de makers van het project, Marcelo de Cicco van het Braziliaanse National Institute of Metrology, was het ermee eens dat het neurale netwerk nog moet worden verbeterd.
De auteurs van het tweede project werkten met gegevens van het interplanetaire station Lunar Reconnaisance Orbiter (LRO) om een meer gedetailleerde kaart van het maanoppervlak te maken. Wetenschappers gebruikten voor het eerst informatie van de Lunar Orbiter Laser Altimeter (LOLA) om een digitale hoogtekaart van de satelliet te maken. Het had echter één nadeel: het bevatte artefacten. Elke keer dat de LRO in een baan om de maan draait, wijkt hij iets af van zijn ideale baan. Hierdoor zijn de metingen onnauwkeurig en verschijnen er rotsen en scheuren waar ze niet zijn.
Om dit probleem op te lossen, hebben de onderzoekers de kaart vergeleken met afbeeldingen van de Narrow Angle Camera (NAC), die zonlicht registreert dat wordt weerkaatst door het maanoppervlak. Met behulp van een algoritme voor machine learning heeft het team de artefacten verwijderd en een nauwkeurigere kaart van de satelliet van de aarde gemaakt. Wetenschappers hebben ook een systeem van kunstmatige intelligentie geleerd om kraters te onderscheiden van schaduwen en soortgelijke objecten. De nauwkeurigheid van het programma was 98 procent.
Astronomen hebben de afgelopen jaren steeds vaker neurale netwerken gebruikt in hun werk. Computeralgoritmen helpen wetenschappers bijvoorbeeld al om de samenstelling van de atmosfeer van exoplaneten te bepalen en de beweging van sterren in de melkweg te volgen.
Promotie video:
Christina Ulasovich
