Mars gezgininde kullanılan algoritma, Dünya’daki bilim insanlarının verileri yeni bir şekilde görmelerine yardımcı oluyor

NASA’nın Mars’taki Perseverance Gezgini’nde test edilen yeni bir algoritma, milyonlarca insanı etkileyen kasırgalar, orman yangınları ve diğer aşırı hava olaylarının daha iyi tahmin edilmesine yol açabilir.

Georgia Tech Doktora öğrencisi Austin P. Wright, Yuvalanmış Füzyon’u tanıtan bir makalenin ilk yazarıdır. Yeni algoritma, bilim insanlarının Mars yüzeyinde geçmiş yaşam belirtilerini arama yeteneğini geliştiriyor.

Bu yenilik NASA’nın Mars 2020 misyonunu destekliyor. Ayrıca, büyük, örtüşen veri kümeleriyle çalışan diğer alanlardaki bilim insanları, çalışmalarında Nested Fusion’ın yöntemlerini kullanabilirler.

Wright, Nested Fusion’ı sundu 2024 Uluslararası Bilgi Keşfi ve Veri Madenciliği Konferansı (KDD 2024) en iyi makale ödülü için ikinci oldu. Çalışma yayınlandı dergide 30. ACM SIGKDD Bilgi Keşfi ve Veri Madenciliği Konferansı Bildirileri.

Wright, “İç içe Füzyon, yalnızca NASA bilim insanları için değil, birçok farklı alandaki araştırmacılar için gerçekten yararlıdır,” dedi. “Bu yöntem, analizin ilk keşif aşamalarında genel bir görünüm elde etmenin zor olabileceği karmaşık veri kümelerini görselleştirir.”

İç İçe Füzyon, farklı çözünürlüklere sahip veri kümelerini birleştirerek tek, yüksek çözünürlüklü bir görsel dağıtım üretir. Bu yöntemi kullanarak, NASA bilim insanları aynı anda çeşitli kaynaklardan gelen birden fazla veri kümesini daha kolay analiz edebilir. Bu, önceki yaşamın ipuçlarını bulmak için Mars’ın yüzey kompozisyonunun daha hızlı incelenmesine yol açabilir.

Algoritma, veri biliminin kimya, biyoloji ve jeoloji gibi geleneksel bilim alanlarını nasıl etkilediğini gösteriyor.

Dahası, Wright, değişen iklim desenlerini, bitki ve hayvan yaşamını ve yer bilimlerindeki diğer kavramları modellemek için Yuvalanmış Füzyon uygulamaları geliştiriyor. Aynı yöntem, uydu görüntülerinden, biyobelirteçlerden ve iklim verilerinden gelen örtüşen veri kümelerini birleştirebilir.

Georgia Tech’te makine öğrenimi (ML) üzerine çalışan Wright, “Kullanıcılar, Nested Fusion ve benzeri algoritmaları yer bilimleri bağlamlarına doğru genişlettiler ve bu konuda çok olumlu geri bildirimler aldık” dedi.

“Çapraz korelasyon analizi yapmak uzun zaman alır ve desenlerin ortaya çıktığı ve yeni hipotezlerin oluştuğu araştırmanın ilk aşamalarında yapılmaz. İç içe Füzyon, insanların bu desenleri çok daha erken keşfetmesini sağlar.”

Wright, veri bilimi ve ML lideridir PİKSELLEŞTİRMENASA JPL bilim insanlarının Mars Perseverance Rover’dan gelen verileri incelemek için kullandıkları yazılım.

Perseverance, Mars yüzeyinin mineral bileşimi hakkında veri toplamak için X-ışını Litokimyası için Gezegensel Enstrümanını (PIXL) kullanır. PIXL’in bunu başaran iki ana aracı X-ışını Floresan (XRF) Spektrometresi ve Çoklu Bağlam Kamerasıdır (MCC).

PIXL bir hedef alanı taradığında, bileşenlerden iki eş hizalanmış veri kümesi oluşturur. XRF, bir numunenin ince ölçekli temel bileşimini toplar. MCC, boyut ve şekil gibi görsel ve fiziksel ayrıntıları toplamak için bir numunenin görüntülerini üretir.

Tek bir XRF spektrumu, her tarama noktası için yaklaşık 100 MCC görüntüleme pikseline karşılık gelir. Her aracın benzersiz çözünürlüğü, örtüşen veri katmanları arasındaki eşlemeyi zorlaştırır. Ancak Wright ve işbirlikçileri, bu engeli aşmak için Nested Fusion’ı tasarladı.

Veri bilimini ilerletmenin yanı sıra, Nested Fusion NASA bilim insanlarının iş akışını da iyileştirir. Yöntemi kullanarak, tek bir bilim insanı birkaç saat içinde bir numunenin mineral bileşiminin ilk tahminini oluşturabilir. Nested Fusion’dan önce, aynı görev her farklı enstrümandaki uzman ekipleri arasında günlerce süren iş birliği gerektiriyordu.

Wright, “Bu çalışmadan öğrendiğim en büyük derslerden birinin, ML ve veri bilimi sorunlarımı her zaman işbirlikçilerimizin gerçek, somut kullanım örneklerine dayandırmanın değerli olduğu olduğunu düşünüyorum” dedi.

“İşbirlikçilerimden veri analizinin hangi kısımlarının onlar için önemli olduğunu ve karşılaştıkları zorlukları öğreniyorum. Bu sorunları anlayarak, veri biliminde sorunları resmileştirmenin ve çerçevelemenin yeni yollarını keşfedebiliriz.”

Nested Fusion, uygulamalı veri bilimi dalında en iyi makale için ikincilik ödülünü kazandı. Konferansın araştırma bölümünde, atölyelerinde ve eğitimlerinde yüzlerce başka makale sunuldu.

Wright’ın akıl hocaları Scott Davidoff ve Polo Chau, Nested Fusion makalesinin ortak yazarlarıdır. Davidoff, NASA Jet Propulsion Laboratory’de baş araştırma bilimcisidir. Chau, Georgia Tech School of Computational Science and Engineering’de (CSE) profesördür.

Wright, “Bu çalışmanın en iyi makale ikincilik ödülüyle tanınmasından son derece mutlu oldum,” dedi. “Bu tür uygulamalı çalışmalar için bazen doğru akademik yuvayı bulmak zor olabilir, bu nedenle bu çalışmayı takdir eden topluluklar bulmak çok cesaret verici.”