Si po na ndihmon inteligjenca artificiale të eksplorojmë sistemin diellor

Le të jemi të sinqertë – është shumë më e lehtë për robotët të eksplorojnë hapësirën sesa ne njerëzit. Robotët nuk kanë nevojë për ajër të pastër dhe ujë, ose për të tërhequr një tufë ushqimesh për të mbajtur veten gjallë. Megjithatë, ata kërkojnë që njerëzit t’i drejtojnë dhe të marrin vendime. Përparimet në teknologjinë e mësimit të makinerive mund ta ndryshojnë këtë, duke i bërë kompjuterët një bashkëpunëtor më aktiv në shkencën planetare.

Javën e kaluar në takimin e vjeshtës të Unionit Gjeofizik Amerikan (AGU) 2022, shkencëtarët planetarë dhe astronomët diskutuan se si teknikat e reja të mësimit të makinerive po ndryshojnë mënyrën se si ne mësojmë për sistemin tonë diellor, nga planifikimi për uljet e misionit të ardhshëm në hënën e akullt të Jupiterit, Europa, deri te identifikimi i vullkaneve. në Merkurin e vogël.

Mësimi i makinerive është një mënyrë për të trajnuar kompjuterët për të identifikuar modelet në të dhëna, më pas për të shfrytëzuar ato modele për të marrë vendime, parashikime ose klasifikime. Një tjetër avantazh i madh për kompjuterët – përveçse nuk kërkojnë mbështetje për jetën – është shpejtësia e tyre. Për shumë detyra në astronomi, njerëzve mund t’u duhen muaj, vite apo edhe dekada përpjekje për të shoshitur të gjitha të dhënat e nevojshme.

Një shembull është identifikimi i gurëve në fotot e planetëve të tjerë. Për disa gurë, është aq e lehtë sa të thuash “Hej, ka një gur!” por imagjinoni ta bëni këtë mijëra herë. Detyra do të bëhej mjaft e mërzitshme dhe do të hante shumë nga koha e vlefshme e punës së shkencëtarëve.

“Ju mund të gjeni deri në 10,000, qindra mijëra gurë, dhe kjo kërkon shumë kohë,” tha Nils Prieur, një shkencëtar planetar në Universitetin Stanford në Kaliforni gjatë fjalimit të tij në AGU. Algoritmi i ri i mësimit të makinës së Prieur mund të zbulojë gurët në të gjithë hënën në vetëm 30 minuta. Është e rëndësishme të dini se ku janë këto copa të mëdha shkëmbi për t’u siguruar që misionet e reja mund të zbarkojnë të sigurta në destinacionet e tyre. Gurët janë gjithashtu të dobishëm për gjeologjinë, duke dhënë të dhëna se si ndikimet shpërbëjnë shkëmbinjtë rreth tyre për të krijuar kratere.

Kompjuterët mund të identifikojnë gjithashtu një sërë fenomenesh të tjera planetare: vullkanet shpërthyese në Mërkur, vorbullat në atmosferën e trashë të Jupiterit dhe krateret në Hënë, për të përmendur disa.

Gjatë konferencës, shkencëtari planetar Ethan Duncan, nga Qendra e Fluturimeve Hapësinore Goddard e NASA-s në Maryland, demonstroi sesi mësimi i makinerive mund të identifikojë jo copa shkëmbi, por copa akulli në hënën e akullt të Jupiterit, Europa. I ashtuquajturi terren i kaosit është një sipërfaqe e çrregullt e sipërfaqes së Evropës, me copa të ndritshme akulli të shpërndara rreth një sfondi më të errët. Me oqeanin e saj nëntokësor, Europa është një objektiv kryesor për astronomët e interesuar për jetën aliene, dhe hartimi i këtyre copave të akullit do të jetë çelësi për planifikimin e misioneve të ardhshme.

Misionet e ardhshme mund të përfshijnë gjithashtu inteligjencën artificiale si pjesë e ekipit, duke përdorur këtë teknologji për të fuqizuar sondat për të bërë përgjigje në kohë reale ndaj rreziqeve dhe madje të zbresin në mënyrë autonome. Ulja është një sfidë famëkeqe për anijen kozmike dhe gjithmonë një nga periudhat më të rrezikshme të një misioni.

“Shtatë minutat e terrorit” në Mars [gjatë zbritjes dhe uljes], kjo është diçka për të cilën ne flasim shumë,” tha Bethany Theiling, një shkencëtare planetare në NASA Goddard, gjatë fjalimit të saj. “Kjo bëhet shumë më e komplikuar ndërsa kaloni më tej në sistemin diellor. Kemi shumë orë vonesë në komunikim.”

Një mesazh nga një sondë që u ul në hënën e mbushur me metan të Saturnit Titan do të merrte pak më pak se një orë e gjysmë për t’u kthyer në Tokë. Në kohën kur përgjigja e njerëzve mbërriti në destinacionin e saj, cikli i komunikimit do të ishte gati tre orë i gjatë. Në një situatë si ulja ku nevojiten përgjigje në kohë reale, kjo lloj kthimi me Tokën thjesht nuk do ta prishë atë. Mësimi i makinerisë dhe AI mund të ndihmojnë në zgjidhjen e këtij problemi, sipas Theiling, duke siguruar një sondë me aftësinë për të marrë vendime bazuar në vëzhgimet e saj të rrethinës.

“Shkencëtarë dhe inxhinierë, ne nuk po përpiqemi t’ju heqim qafe,” tha Theiling. “Ajo që ne po përpiqemi të bëjmë është të themi, koha që ju duhet të kaloni me ato të dhëna do të jetë koha më e dobishme që mund të menaxhojmë.” Mësimi i makinerive nuk do të zëvendësojë njerëzit, por shpresojmë se mund të jetë një shtesë e fuqishme në paketën tonë të mjeteve për zbulime shkencore.