Когда роботизированный марсоход приземляется в другом мире, у ученых остается ограниченное количество времени для сбора данных из залежей исследуемого материала из-за короткой продолжительности миссии и времени, необходимого для завершения сложных экспериментов.
Вот почему исследователи из Центра космических полетов имени Годдарда НАСА в Гринбелте, штат Мэриленд, изучают возможность использования машинного обучения для быстрого анализа данных, полученных с марсохода, и помогают ученым на Земле выработать стратегию наиболее эффективного использования времени пребывания марсохода на планете.
"Этот алгоритм машинного обучения может помочь нам, быстро отфильтровав данные и указав, какие данные, вероятно, будут наиболее интересными или важными для нашего изучения", - сказал Сян "Шон" Ли, специалист по масс-спектрометрии из лаборатории планетарной среды НАСА в Годдарде.
Сначала алгоритм будет опробован на данных с Марса, которые будут обрабатываться на наземном компьютере с использованием данных, собранных прибором Mars Organic Molecule Analyzer (MOMA).
Анализатор является одним из основных научных инструментов предстоящей миссии ExoMars Rosalind Franklin Rover, возглавляемой Европейским космическим агентством (ESA). Марсоход, запуск которого запланирован не ранее 2028 года, стремится определить, существовала ли когда-либо жизнь на Красной планете.
После того, как Розалинд Франклин соберет образец и проанализирует его с помощью MOMA, данные будут отправлены обратно на Землю, где ученые будут использовать полученные результаты для принятия наилучшего решения о дальнейших действиях.
"Например, если мы измеряем образец, который показывает признаки присутствия крупных сложных органических соединений, смешанных с определенными минералами, мы можем захотеть провести дополнительный анализ этого образца или даже порекомендовать марсоходу взять еще один образец с помощью бура для отбора керна", - сказал Ли.
Алгоритм может помочь определить химический состав под поверхностью Марса
В области искусственного интеллекта машинное обучение — это способ, с помощью которого компьютеры извлекают информацию из данных - большого количества данных — для выявления закономерностей и принятия решений или выводов.
Этот автоматизированный процесс может быть эффективным, когда закономерности могут быть неочевидны для исследователей-людей, просматривающих одни и те же данные, что характерно для больших и сложных наборов данных, таких как те, которые используются для визуализации и спектрального анализа.
В случае с MOMA исследователи собирали лабораторные данные более десяти лет, по словам Виктории Да Пойан, специалиста по обработке данных из NASA Goddard, которая является соруководителем разработки алгоритма машинного обучения. Ученые обучают алгоритм, предоставляя ему примеры веществ, которые могут быть найдены на Марсе, и маркируя их. Затем алгоритм будет использовать данные MOMA в качестве входных данных и прогнозировать химический состав исследуемого образца на основе результатов своего обучения.
"Чем больше мы будем работать над оптимизацией анализа данных, тем больше информации и времени будет у ученых для их интерпретации", - сказал Да Пойан. "Таким образом, мы можем быстро реагировать на результаты и планировать следующие шаги, как если бы мы были рядом с марсоходом, гораздо быстрее, чем это было бы раньше".
Поиск признаков прошлой жизни
Что делает марсоход Rosalind Franklin уникальным — и что, как надеются ученые, приведет к новым открытиям, — так это то, что он сможет углубиться на глубину около 6,6 футов (2 метра) в поверхность Марса. Предыдущие марсоходы опускались всего на 2,8 дюйма (7 сантиметров) ниже поверхности земли.
"Органические материалы на поверхности Марса, скорее всего, будут разрушены под воздействием поверхностной радиации и космических лучей, проникающих в недра, - сказал Ли. - Но двух метров глубины должно быть достаточно, чтобы защитить большую часть органического вещества. Таким образом, у MOMA есть потенциал для обнаружения сохранившейся древней органики, что стало бы важным шагом в поисках прошлой жизни".
Будущие исследования Солнечной системы могут быть более автономными
Поиск признаков жизни, в прошлом или настоящем, в мирах за пределами Земли является важной задачей НАСА и всего научного сообщества. Ли и Да Пойан видят потенциал своего алгоритма в качестве средства для будущих исследований таких заманчивых объектов, как спутники Сатурна Титан и Энцелад, а также спутник Юпитера Европа.
Долгосрочной целью Ли и Да Пойана является достижение еще более мощной "научной автономии", при которой масс-спектрометр будет анализировать собственные данные и даже помогать принимать оперативные решения автономно, что значительно повысит эффективность научных исследований и миссии.
Это будет иметь решающее значение, поскольку миссии по исследованию космоса нацелены на более удаленные планетарные объекты. Научная автономия поможет расставить приоритеты в сборе данных и передаче информации, что в конечном итоге позволит достичь гораздо большего объема научных результатов, чем это возможно в настоящее время в таких удаленных миссиях.
"Долгосрочная мечта - это высокоавтономная миссия", - сказал Да Пойан. - На данный момент алгоритм машинного обучения MOMA - это инструмент, который поможет ученым на Земле легче изучать эти важнейшие данные".
Проектом MOMA руководит Институт исследований Солнечной системы имени Макса Планка (MPS) в Германии под руководством главного исследователя доктора Фреда Гесманна. НАСА Годдард разработало и построило подсистему масс-спектрометра MOMA, которая будет измерять молекулярные массы химических соединений в собранных марсианских образцах.
