UFO’ları bulmak ister misiniz? Bu makine öğrenimi için bir iş

2017’de insanlık, yıldızlararası bir nesnenin (ISO) ilk görüntüsünü aldı. 1I/”Oumuamua, gezegenimizi güneş sisteminden çıkmak üzere vızıldayan. Bu nesnenin ne olabileceğine dair pek çok spekülasyon var çünkü toplanan sınırlı verilere dayanarak, astronomların şimdiye kadar gördüğü hiçbir şeye benzemediği açıktı. Tartışmalı bir öneri, sistemimizden geçen dünya dışı bir sonda (veya sahipsiz bir uzay aracının bir parçası) olabileceğiydi.

“Uzaylı ziyaretçiler” olasılığına halkın hayranlığı da 2021’de UFO Raporu ODNI tarafından.

Bu hareket, tanımlanamayan hava olaylarının (UAP) incelenmesini, devlet kurumları tarafından denetlenen gizli bir olaydan ziyade bilimsel bir arayış haline getirdi. Bir gözü gökyüzünde, diğeri yörüngesel nesnelerde olan bilim adamları, olası “ziyaretçilerin” saptanmasına yardımcı olmak için bilgi işlem, yapay zeka ve enstrümantasyondaki son gelişmelerin nasıl kullanılabileceğini öneriyorlar. Bu, Strathclyde Üniversitesi’nden bir ekibin, makine öğrenimi ile eşleştirilmiş hiperspektral görüntülemenin nasıl gelişmiş bir veri hattı oluşturabileceğini inceleyen yakın tarihli bir çalışmasını içerir.

Ekip, makine ve uzay mühendisliği profesörü Massimiliano Vasile tarafından yönetildi ve Strathclyde Üniversitesi’ndeki Makine ve Uzay Mühendisliği ile Elektronik ve Elektrik Mühendisliği okullarından ve Glasgow’daki Fraunhofer Uygulamalı Fotonik Merkezi’nden araştırmacılardan oluşuyordu.

“Space Object Identification and Classification from Hyperspectral Material Analysis” başlıklı makalelerinin bir ön baskısı, ön baskı sunucusu aracılığıyla çevrimiçi olarak mevcuttur. arXiv ve yayınlanmak üzere gözden geçiriliyor Bilimsel Raporlar.

Bu çalışma, uzaydaki aktiviteler için hiperspektral görüntüleme uygulamalarını ele alan bir serinin sonuncusudur. İlk kağıt“Uzay nesnelerinin hiperspektral görüntüleme ile akıllı karakterizasyonu” ortaya çıktı Acta Astronautica Şubat 2023’te ve Uzay Gözetleme ve İzleme için Hiperspektral Görüntüleyici (HyperSST) projesinin bir parçasıydı. Bu, Birleşik Krallık Uzay Ajansı (UKSA) tarafından geçen yıl finansman için seçilen 13 enkaz azaltma konseptinden biriydi ve ESA’nın Hiperspektral uzay enkazı Sınıflandırması (HyperClass) projesinin öncüsüdür.

Son makaleleri, aynı görüntüleme tekniğinin büyüyen UAP tanımlama alanında nasıl kullanılabileceğini araştırdı. Bu süreç, tipik olarak görüntülerde yakalanan farklı nesneleri veya malzemeleri tanımlamak için elektromanyetik spektrum boyunca tek piksellerden veri toplamayı ve işlemeyi içerir. Vasile’nin Universe Today’e e-posta yoluyla açıkladığı gibi, makine öğrenimi ile birleştirilmiş hiperspektral görüntüleme, insan yapımı enkaz nesnelerinin (geçmiş aşamalar, geçersiz uydular, vb.)

“UAP uzay nesneleriyse, o zaman spektrumları analiz ederek yapabileceğimiz tek bir pikselden bile malzeme bileşimini anlamaktır. Spektrumun zaman değişimini analiz ederek de tutum hareketini anlayabiliriz. Her ikisi de çok önemlidir çünkü nesneleri spektral imzalarıyla tanımlayabilir ve minimum optik gereksinimlerle hareketlerini anlayabiliriz.”

Vasile ve meslektaşları, makine öğrenimi algoritmalarını kullanarak UAP görüntülerini işlemek için bir veri işleme boru hattı oluşturulmasını önermektedir. İlk adım olarak, uydular ve yörüngedeki diğer nesneler dahil olmak üzere boru hattı için uzay nesnelerinin zaman serisi spektrumlarının bir veri kümesine nasıl ihtiyaç duyulduğunu açıkladılar. Bu, NASA’nın Yörüngesel Enkaz Program Ofisi (ODPO), ESA’nın Uzay Enkaz Ofisi ve diğer ulusal ve uluslararası kuruluşlardan alınan verilerin dahil edilmesi anlamına gelen enkaz nesnelerini içerir. Bu veri seti çeşitli olmalı ve yörünge senaryolarını, yörüngeleri, aydınlatma koşullarını ve her zaman yörüngedeki tüm nesnelerin geometrisi, malzeme dağılımı ve tutum hareketi hakkında kesin verileri içermelidir.

Kısacası, bilim adamlarının yanlış pozitifleri ortadan kaldırmak için karşılaştırma yapmak üzere uzaydaki tüm insan yapımı nesnelerin sağlam bir veri tabanına ihtiyacı olacaktır. Bu verilerin çoğu mevcut olmadığından Vasile ve ekibi, makine öğrenimi modelleri için eğitim verileri üretmek amacıyla sayısal fizik simülasyon yazılımı oluşturdu. Bir sonraki adım, bir spektrumu onu oluşturan bir dizi malzemeyle ilişkilendirmek için iki yönlü bir yaklaşımı içeriyordu; biri makine öğrenimine dayalıydı, diğeri ise bir veri kümesi için en uygun çizgiyi belirlemek için kullanılan daha geleneksel bir matematiksel regresyon analizine dayalıydı. aka. en küçük kareler yöntemi).

Daha sonra, bir malzeme kombinasyonunu tespit etme olasılığını belirli bir sınıfla ilişkilendirmek için makine öğrenimine dayalı bir sınıflandırma sistemi kullandılar. Boru hattı tamamlandıktan sonra Vasile, bir sonraki adımın cesaret verici veriler sağlayan bir dizi test yapmak olduğunu söyledi:

“Üç test yaptık: biri laboratuvarda bilinen malzemelerden yapılmış bir uydu maketi ile. Bu testler çok olumluydu. Ardından, yörüngedeki nesnelerin gerçek gözlemini simüle etmek için yüksek doğruluklu bir simülatör oluşturduk. Testler olumluydu ve öğrendik çok. Sonunda bir teleskop kullandık ve bir dizi uyduyu ve uzay istasyonunu gözlemledik. Bu durumda, malzeme veri tabanımız şu anda oldukça küçük olduğu için bazı testler iyi, bazıları daha az iyi oldu.”

Bir sonraki makalelerinde Vasile ve meslektaşları, 8-12 Ocak tarihleri ​​arasında Orlando, Florida’da düzenlenecek olan AIAA Bilim ve Teknoloji Forumu ve Sergisinde (2024 SciTech) sunmayı umdukları boru hattının tutum yeniden yapılandırma bölümünü sunacaklar.