NASA piiriarenduse laboratooriumi programmis osalejad 17. augustil tutvustasid projekte masinõppe kasutamisest kosmoses. Eelkõige näitasid meeskonnad tehisintellekti süsteeme potentsiaalselt ohtlike komeetide orbiitide määramiseks ja Kuu pinna kaartide parandamiseks. IEEE Spectrum räägib sellest.
Ettevõtted, nagu Facebook või Google, kasutavad masinõpet teksti tõlkimiseks või fotodel inimeste äratundmiseks, kuid masinõppe tehnikaid kasutatakse mitte ainult kohandatud toodetes, vaid ka teaduslike probleemide lahendamiseks. Teist aastat korraldatava programmi Frontier Development Laboratory abiga uurib NASA tehisintellekti algoritmide võimalusi kosmoseuuringuteks. Igal suvel koondab agentuur väikseid teadlaste rühmi, et tegeleda oluliste kosmoseuuringute probleemidega.
Kokku töötavad meeskonnad viie projekti kallal - kaitsevad planeeti pikaajaliste komeetide eest, tuvastavad Kuukraatrid, loovad Maa lähedal asuvate asteroidide kolmemõõtmelisi mudeleid, uurivad heliosfääri ja kosmoses ilmastiku mõju Maa atmosfäärile ja magnetosfäärile ning määravad kindlaks päikesekiirguse ja koronaalse massi väljutamise põhjused. Eelmisel neljapäeval Santa Claras toimunud konverentsil Wrap-Up esitlesid teadlased esimesi tulemusi.
IEEE Spectrum rääkis kahe meeskonna töö tulemustest. Esimene teadlaste meeskond kasutas Allsky meteoriidiseire (CAMS) uuringu Kaamerate andmeid, et ennustada meteooride duššidelt, millal järgmine pikaajaline komeet Maa lähedal lendab. CAMS-i osana jälgivad kuuskümmend kolmesse jaama paigaldatud videokaamerat taevast, otsides nõrku meteoore. Nad leiavad meteooride hoovihma ja proovivad neid seostada hiljuti avastatud komeetidega, mis võisid need prahid maha jätta. Piiriarenduse laboratooriumi teadlaste meeskond on välja töötanud närvivõrgu, mis eristab kiiresti liikuvaid meteoore pilvedest, tulekärbestest ja lennukitest (tavaliselt käsitsi tehtud) ning grupeerib seejärel pildid õigeaegselt. Seega leiab algoritm varem tundmatuid meteooripildujaid.
90 protsendil juhtudest langesid kaks kuud testitud närvivõrgu ennustused objektide klassifitseerimise järgi inimeste poolt. Pilootprojekti käigus analüüsis meeskond umbes miljonit meteoriiti. Kuid mõned eksperdid olid projekti suhtes skeptilised: eriti nõudsid nad tõendit selle kohta, et meteooride hoovihmad ei ole andmetes müra ja et need on ka komeetide jäänused, mitte aga asteroidid ega muud allikad. Projekti üks loojatest, Marcelo de Cicco Brasiilia riiklikust metroloogiainstituudist, nõustus, et närvivõrku tuleb veel parandada.
Teise projekti autorid töötasid Lunar Reconnaisance Orbiteri (LRO) planetaarsest jaamast saadud andmetega, et luua täpsem kaart Kuu pinnale. Teadlased kasutasid satelliidi digitaalse kõrgusekaardi koostamiseks kõigepealt Lunar Orbiter Laser Altimeter (LOLA) teavet. Sellel oli aga üks puudus - see sisaldas esemeid. Iga kord, kui LRO Kuu tiirleb, kaldub see pisut ideaalsest orbiidist kõrvale. Seetõttu on mõõtmised ebatäpsed ja kivid ja praod tekivad seal, kus neid pole.
Selle probleemi lahendamiseks sobitasid teadlased kaardi piltidega kitsast nurgakaamerast (NAC), mis registreerib kuu pinnalt peegelduvat päikesevalgust. Masinõppe algoritmi kasutades rühmitas meeskond artefaktid välja ja koostas Maa satelliidist täpsema kaardi. Teadlased on õpetanud ka tehisintellekti süsteemi kraatrite eristamiseks varjudest ja sarnastest objektidest. Programmi täpsus oli 98 protsenti.
Astronoomid on viimastel aastatel oma töös üha enam kasutanud närvivõrke. Näiteks juba aitavad arvutialgoritmid teadlastel määrata eksoplaneetide atmosfääri koostist ja jälgida tähtede liikumist galaktikas.
Reklaamvideo:
Christina Ulasovitš
