Хотите найти НЛО. Это работа для машинного обучения
В 2017 году человечество впервые увидело межзвездный объект (ISO), известный как 1I/"Оумуамуа", который пролетал над нашей планетой на пути за пределы Солнечной системы. Существует множество предположений о том, что это может быть за объект, потому что, основываясь на собранных ограниченных данных, было ясно, что это не было похоже ни на что, что астрономы когда-либо видели.Спорное предположение заключалось в том, что это мог быть внеземной зонд (или часть заброшенного космического корабля), проходящий через нашу систему. Общественное увлечение возможностью появления «инопланетных посетителей» также усилилось в 2021 году с публикацией ODNI отчета об НЛО. Этот шаг фактически сделал изучение неопознанных воздушных явлений (UAP) научным занятием, а не тайным делом, контролируемым государственными органами.
Одним глазом наблюдая за небом, а другим за орбитальными объектами, ученые предлагают, как можно использовать последние достижения в области вычислительной техники, искусственного интеллекта и приборов для обнаружения возможных «посетителей». Это включает в себя недавнее исследование, проведенное группой из Университета Стратклайда, в котором изучается, как гиперспектральная визуализация в сочетании с машинным обучением может создать усовершенствованный конвейер данных. Команду возглавил Массимилиано Василе, профессор машиностроения и аэрокосмической техники, и в ее состав вошли исследователи из школ машиностроения и аэрокосмической инженерии, а также электроники и электротехники Университета Стратклайда и Фраунгоферовского центра прикладной фотоники в Глазго.
Препринт их статьи под названием «Идентификация и классификация космических объектов на основе анализа гиперспектрального материала» доступен онлайн на сервере препринтов arXiv и рассматривается для публикации в Scientific Reports. Это исследование является последним в серии, посвященной применению гиперспектральных изображений для деятельности в космосе. Первая статья «Интеллектуальная характеристика космических объектов с помощью гиперспектральных изображений» появилась в Acta Astronautica в феврале 2023 года и была частью проекта Hyperspectral Imager for Space Surveillance and Tracking (HyperSST). Это была одна из 13 концепций уменьшения засорения, выбранных Космическим агентством Великобритании (UKSA) для финансирования в прошлом году, и она является предшественником проекта ЕКА по классификации гиперспектрального космического мусора (HyperClass).
В их последней статье исследуется, как этот же метод визуализации можно использовать в растущей области идентификации UAP. Этот процесс состоит из сбора и обработки данных по всему электромагнитному спектру от отдельных пикселей, как правило, для идентификации различных объектов или материалов, захваченных на изображениях. Как объяснил Василе Universe Today по электронной почте, гиперспектральная визуализация в сочетании с машинным обучением может сузить поиск возможных техносигнатур за счет устранения ложных срабатываний, вызванных искусственными обломками объектов (отработавшие ступени, вышедшие из строя спутники и т. д.): «Если UAP — это космические объекты, то, анализируя спектры, мы можем понять состав материала даже по одному пикселю. Мы также можем понять движение ориентации, анализируя изменение спектров во времени. И то, и другое очень важно, потому что мы можем идентифицировать объект по его спектральной сигнатуре и понять его движение с минимальными оптическими требованиями».
Василе и его коллеги предлагают создать конвейер обработки данных для обработки изображений UAP с использованием алгоритмов машинного обучения. В качестве первого шага они объяснили, как для конвейера необходим набор данных временных рядов спектров космических объектов, включая спутники и другие объекты на орбите. Сюда входят объекты мусора, что означает включение данных из Управления программы НАСА по орбитальному мусору (ODPO), Управления космического мусора ЕКА и других национальных и международных органов. Этот набор данных должен быть разнообразным и включать орбитальные сценарии, траектории, условия освещения и точные данные о геометрии, распределении материала и пространственном движении всех объектов на орбите в любое время.
Короче говоря, ученым потребуется надежная база данных всех искусственных объектов в космосе для сравнения, чтобы исключить ложные срабатывания. Поскольку большая часть этих данных недоступна, Василе и его команда создали программное обеспечение для численного физического моделирования для получения обучающих данных для моделей машинного обучения. Следующий шаг включал в себя двусторонний подход к связыванию спектра с набором материалов, его генерирующих, один из которых основан на машинном обучении, а другой основан на более традиционном математическом регрессионном анализе, используемом для определения линии наилучшего соответствия для набора данных (он же метод наименьших квадратов). Затем они использовали систему классификации на основе машинного обучения, чтобы связать вероятность обнаружения комбинации материалов с определенным классом. По словам Василе, после завершения конвейера следующим шагом было проведение серии тестов, которые предоставили обнадеживающие данные:
«Мы провели три теста: один в лаборатории с макетом спутника из известных материалов. Эти тесты были очень положительными. Затем мы создали высокоточный симулятор для имитации реального наблюдения за объектами на орбите. много. Наконец, мы использовали телескоп и наблюдали за несколькими спутниками и космической станцией. В этом случае некоторые тесты были хорошими, некоторые менее хорошими, потому что наша база данных материалов в настоящее время довольно мала». В своей следующей статье Василе и его коллеги представят часть своей работы по реконструкции отношения, которую они надеются представить на предстоящем форуме и выставке AIAA по науке и технологиям (2024 SciTech) с 8 по 12 января в Орландо, штат Флорида.
