NASA, Mars numune analizi için makine öğrenimi algoritmasını eğitiyor

Bir robotik gezici başka bir dünyaya indiğinde, bilim insanlarının keşfedilebilir materyal hazinelerinden veri toplamak için sınırlı bir zamanı oluyor; çünkü görev süreleri kısa ve karmaşık deneyleri tamamlamak için gereken zaman uzun.

Bu nedenle Maryland, Greenbelt’teki NASA Goddard Uzay Uçuş Merkezi’ndeki araştırmacılar, makine öğreniminin keşif aracından alınan verilerin hızlı bir şekilde analiz edilmesine yardımcı olmak ve Dünya’daki bilim insanlarının bir keşif aracının gezegendeki zamanını en verimli şekilde kullanma stratejileri geliştirmelerine yardımcı olmak için kullanımını araştırıyorlar.

NASA Goddard’daki Gezegensel Ortamlar Laboratuvarı’nda kütle spektrometrisi bilimcisi olan Xiang “Shawn” Li, “Bu makine öğrenme algoritması, verileri hızla filtreleyerek ve hangi verilerin bizim için incelemenin en ilginç veya önemli olabileceğini göstererek bize yardımcı olabilir” dedi.

Algoritma ilk olarak Mars’tan gelen verilerle test edilecek ve Mars Organik Molekül Analizörü (MOMA) cihazı tarafından toplanan veriler kullanılarak Dünya’ya bağlı bir bilgisayarda çalıştırılacak.

Analizör, ESA (Avrupa Uzay Ajansı) liderliğindeki yaklaşan ExoMars görevi Rosalind Franklin Rover’daki ana bilimsel araçlardan biridir. 2028’den önce fırlatılması planlanmayan gezgin, Kızıl Gezegen’de yaşamın var olup olmadığını belirlemeyi amaçlamaktadır.

Rosalind Franklin bir örnek toplayıp MOMA ile analiz ettikten sonra veriler Dünya’ya gönderilecek ve bilim insanları bulguları kullanarak en iyi sonraki eylem planına karar verecek.

Li, “Örneğin, belirli minerallere karışmış büyük, karmaşık organik bileşiklerin belirtilerini gösteren bir numuneyi ölçersek, o numune üzerinde daha fazla analiz yapmak isteyebiliriz, hatta keşif aracının karot matkabıyla başka bir numune toplamasını önerebiliriz” dedi.

Algoritma, Mars yüzeyinin altındaki kimyasal bileşimi belirlemeye yardımcı olabilir

Yapay zekada makine öğrenmesi, bilgisayarların çok sayıda veriden öğrenerek kalıpları belirlemesi, kararlar alması veya sonuçlara varması yöntemidir.

Bu otomatik süreç, aynı verilere bakan insan araştırmacılar için desenlerin belirgin olmayabileceği durumlarda etkili olabilir; bu durum, görüntüleme ve spektral analiz gibi büyük ve karmaşık veri kümeleri için tipiktir.

MOMA’nın durumunda, araştırmacılar on yıldan uzun süredir laboratuvar verileri topluyor, makine öğrenme algoritmasının geliştirilmesine eş liderlik eden NASA Goddard’da veri bilimcisi olan Victoria Da Poian’a göre. Bilim insanları algoritmayı, Mars’ta bulunabilecek maddelerin örneklerini besleyerek ve bunların ne olduğunu etiketleyerek eğitiyor. Algoritma daha sonra MOMA verilerini girdi olarak kullanacak ve eğitimine dayanarak incelenen örneğin kimyasal bileşiminin tahminlerini çıkaracak.

Da Poian, “Veri analizini optimize etmek için ne kadar çok şey yaparsak, bilim insanlarının verileri yorumlamak için o kadar çok bilgiye ve zamana sahip olacaklar,” dedi. “Bu şekilde, sonuçlara hızlı bir şekilde tepki verebilir ve daha önce olduğundan çok daha hızlı bir şekilde, sanki geziciyle oradaymışız gibi sonraki adımları planlayabiliriz.”

Geçmiş yaşam belirtilerini araştırmak

Rosalind Franklin gezginini benzersiz kılan şey ve bilim insanlarının yeni keşiflere yol açmasını umduğu şey, Mars’ın yüzeyine yaklaşık 6,6 fit (2 metre) kadar inebilmesidir. Önceki gezginler yüzeyin yalnızca yaklaşık 2,8 inç (7 santimetre) altına ulaşabilmiştir.

Li, “Mars’ın yüzeyindeki organik maddelerin, yüzeydeki radyasyona ve yer altına nüfuz eden kozmik ışınlara maruz kalmaları nedeniyle yok olma olasılıkları daha yüksektir,” dedi, “ancak iki metre derinlik çoğu organik maddeyi korumak için yeterli olmalıdır. Bu nedenle MOMA, geçmiş yaşamı aramada önemli bir adım olacak olan korunmuş antik organik maddeleri tespit etme potansiyeline sahiptir.”

Güneş sistemindeki gelecekteki keşifler daha otonom olabilir

Dünya dışındaki dünyalarda geçmiş veya şimdiki yaşam belirtilerini aramak, NASA ve daha geniş bilimsel topluluk için büyük bir çabadır. Li ve Da Poian, algoritmalarının Satürn’ün uyduları Titan ve Enceladus ve Jüpiter’in uydusu Europa gibi cazip hedeflerin gelecekteki keşfi için bir varlık olarak potansiyelini görüyorlar.

Li ve Da Poian’ın uzun vadeli hedefi, kütle spektrometresinin kendi verilerini analiz edeceği ve hatta operasyonel kararların özerk bir şekilde alınmasına yardımcı olacağı, böylece bilim ve görev verimliliğini önemli ölçüde artıracağı daha da güçlü bir “bilim özerkliği” elde etmektir.

Uzay keşif görevleri daha uzak gezegen gövdelerini hedef aldığından bu çok önemli olacaktır. Bilim özerkliği, veri toplama ve iletişimin önceliklendirilmesine yardımcı olacak ve nihayetinde bu tür uzak görevlerde şu anda mümkün olandan çok daha fazla bilim elde edilecektir.

“Uzun vadeli rüya, son derece otonom bir görevdir,” dedi Da Poian. “Şimdilik, MOMA’nın makine öğrenme algoritması, Dünya’daki bilim insanlarının bu kritik verileri daha kolay incelemesine yardımcı olacak bir araçtır.”

MOMA projesi, baş araştırmacısı Dr. Fred Goesmann olan Almanya’daki Max Planck Güneş Sistemi Araştırma Enstitüsü (MPS) tarafından yönetiliyor. NASA Goddard, toplanan Mars örneklerindeki kimyasal bileşiklerin moleküler ağırlıklarını ölçecek olan MOMA kütle spektrometresi alt sistemini geliştirdi ve inşa etti.