Kan samma datoralgoritmer som lär autonoma bilar att köra säkert hjälpa till att identifiera närliggande asteroider eller upptäcka liv i universum? NASA-forskare försöker ta reda på det genom att samarbeta med pionjärer inom artificiell intelligens (AI) – företag som Intel, IBM och Google – att tillämpa avancerade datoralgoritmer på problem inom rymdvetenskap.

Maskininlärning är en typ av AI. Den beskriver de mest använda algoritmerna och andra verktyg som gör att datorer kan lära sig av data för att göra förutsägelser och kategorisera objekt mycket snabbare och mer exakt än vad en människa kan. Följaktligen, maskininlärning används i stor utsträckning för att hjälpa teknikföretag att känna igen ansikten på foton eller förutsäga vilka filmer folk skulle gilla. Men vissa forskare ser tillämpningar långt bortom jorden.

Giada Arney, en astrobiolog vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland, hoppas maskininlärning kan hjälpa henne och hennes kollegor att hitta en nål av liv i en höstack av data som kommer att samlas in av framtida teleskop och observatorier som NASA:s rymdteleskop James Webb.

"Dessa teknologier är mycket viktiga, speciellt för stora datamängder och speciellt inom exoplanetfältet, " säger Arney. "Eftersom data vi kommer att få från framtida observationer kommer att vara sparsam och bullrig. Det kommer att bli riktigt svårt att förstå. Så att använda den här typen av verktyg har så mycket potential att hjälpa oss."

För att hjälpa forskare som Arney att bygga banbrytande forskningsverktyg, NASA:s Frontier Development Lab, eller FDL, samlar teknik- och rymdinnovatörer under åtta veckor varje sommar för att brainstorma och utveckla datorkod. Det fyra år gamla programmet är ett partnerskap mellan SETI Institute och NASAs Ames Research Center, båda baserade i Silicon Valley där nystartade inkubatorer som samlar begåvade människor för att påskynda utvecklingen av banbrytande teknologier finns i överflöd.

I NASA:s version, FDL parar vetenskap och datateknik i tidiga karriärdoktorander med experter från rymdorganisationen, akademin, och några av världens största teknikföretag. Partnerföretag bidrar med olika kombinationer av hårdvara, algoritmer, superdatorresurser, finansiering, anläggningar och ämnesexperter. Alla AI-tekniker som utvecklats vid FDL kommer att vara allmänt tillgängliga, med några som redan hjälper till att identifiera asteroider, hitta planeter, och förutsäga extrema solstrålningshändelser.

"FDL känns som några riktigt bra musiker med olika instrument som träffas för en jamsession i garaget, hitta något riktigt coolt, och säger, "Hej vi har ett band här, "" säger Shawn Domagal-Goldman, en NASA Goddard astrobiolog som, tillsammans med Arney, var mentor för ett FDL-team 2018. Deras team utvecklade en maskininlärningsteknik för forskare som syftar till att studera exoplaneternas atmosfär, eller planeter bortom vårt solsystem.

Dessa Goddard-forskare hoppas att en dag använda avancerade maskininlärningstekniker för att snabbt tolka data som avslöjar exoplaneternas kemi baserat på våglängderna hos ljus som emitteras eller absorberas av molekyler i deras atmosfärer. Eftersom tusentals exoplaneter hittills har upptäckts, att ta snabba beslut om vilka som har den mest lovande kemin förknippad med beboelighet kan hjälpa till att vinna ner kandidaterna till endast ett fåtal som förtjänar ytterligare, och dyrt, undersökning.

För detta ändamål, FDL-teamet Arney och Domagal-Goldman hjälpte till med råd, med teknisk support från Google AI, implementerade en teknik som kallas ett "neuralt nätverk". Denna teknik kan lösa superkomplicerade problem i en process som är analog med hur hjärnan fungerar. I ett neuralt nätverk, miljarder "neuroner, "som är nervceller i hjärnan som hjälper oss att bilda minnen och fatta beslut, kontakta miljarder andra för att bearbeta och överföra information. University of Oxford datavetenskap doktorand, Adam Cobb, tillsammans med Michael D. Himes, en doktorand i fysik från University of Central Florida, ledde en studie för att testa förmågan hos ett "bayesiskt" neuralt nätverk mot en allmänt använd maskininlärningsteknik känd som en "slumpmässig skog". Ett annat forskarlag som inte är associerat med FDL hade redan använt denna senare metod för att analysera atmosfären i WASP-12b, en exoplanet som upptäcktes 2008, baserat på berg av data som samlats in av NASA:s Hubble Space Telescope. Kan det Bayesianska neurala nätverket göra det bättre, undrade laget?

"Vi fick genast reda på att det neurala nätverket hade bättre noggrannhet än slumpmässig skog för att identifiera mängden olika molekyler i WASP-12bs atmosfär, " säger Cobb.

Men förutom bättre noggrannhet, den Bayesianska tekniken erbjöd något lika kritiskt:den kunde berätta för forskarna hur säker den var på sin förutsägelse. "På platser där data inte var tillräckligt bra för att ge ett riktigt exakt resultat, den här modellen var bättre på att veta att den inte var säker på svaret, vilket är väldigt viktigt om vi ska lita på dessa förutsägelser, " säger Domagal-Goldman.

Medan tekniken som utvecklats av detta team fortfarande är under utveckling, andra FDL-teknologier har redan antagits i den verkliga världen. Senast 2017, FDL-deltagare utvecklade ett maskininlärningsprogram som snabbt kunde skapa 3D-modeller av närliggande asteroider, noggrant uppskatta deras former, storlekar, och snurrhastigheter. Denna information är avgörande för NASA:s ansträngningar att upptäcka och avleda hotande asteroider från jorden.

Traditionellt, astronomer använder enkel datorprogramvara för att utveckla 3D-modeller. Programvaran analyserar många radarmätningar av en rörlig asteroid och hjälper sedan forskare att sluta sig till dess fysiska egenskaper baserat på förändringar i radarsignalen.

"En skicklig astronom med standardberäkningsresurser, kunde forma en enda asteroid på en till tre månader, säger Bill Diamond, SETI:s vd och verkställande direktör. "Så frågan till forskargruppen var:Kan vi påskynda det?"

Svaret var ja. Laget, som inkluderade studenter från Frankrike, Sydafrika och USA, plus mentorer från akademin och från teknikföretaget Nvidia, utvecklat en algoritm som kunde återge en asteroid på så lite som fyra dagar. I dag, tekniken används av astronomer vid Arecibo-observatoriet i Puerto Rico för att göra nästan realtidsformmodellering av asteroider.

Asteroidmodelleringen, tillsammans med exoplanetär atmosfäranalys, är ett par FDL-exempel som visar löftet med att tillämpa sofistikerade algoritmer på de mängder data som samlats in av NASA:s mer än 100 uppdrag.

Som NASA heliofysiker Madhulika (Lika) Guhathakurta noterar, rymdorganisationen samlar in cirka 2 gigabyte data (och växer) var 15:e sekund från sin flotta av rymdfarkoster. "Men vi analyserar bara en bråkdel av denna data, eftersom vi har begränsat med människor, tid och resurser. Det är därför vi behöver använda dessa verktyg mer, " hon säger.

Ett led i uppdrag fokuserade på att förstå och förutsäga solens effekter på jorden, teknik och astronauter i rymden, Guhathakurta har varit med FDL de senaste tre åren och har varit en nyckelarkitekt i utformningen av detta program. Hon stöttade ett team 2018 som löste ett problem med en felaktig sensor på NASA:s Solar Dynamics Observatory (SDO), en rymdfarkost som studerar solens inflytande på jorden och rymden nära jorden.

Tillbaka 2014, bara fyra år efter att uppdraget startade, en sensor slutade returnera data relaterade till extrema ultravioletta (EUV) strålningsnivåer – information som korrelerar med en ballongflygning av jordens yttre atmosfär och därmed påverkar satelliternas livslängd, inklusive den internationella rymdstationen. Så datavetenskapsdoktorander från Stanford University och University of Amsterdam, bland andra, med mentorer från organisationer inklusive IBM, Lockheed Martin, och SETI, utvecklat en teknik som väsentligen, fyll i de data som saknas från den trasiga sensorn. Deras datorprogram skulle kunna göra detta genom att analysera data från andra SDO-instrument, tillsammans med gamla data som samlats in av den trasiga sensorn under de fyra åren den fungerade, för att sluta sig till vilka EUV-strålningsnivåer som sensorn skulle ha detekterat baserat på vad de andra SDO-instrumenten observerade vid en given tidpunkt. "Vi genererade, i grund och botten, en virtuell sensor, " säger Guhathakurta.

Potentialen hos denna typ av detta instrument går inte förlorad för någon. SETI huvud, Diamant, föreställer sig en framtid där dessa virtuella verktyg är inkorporerade i rymdfarkoster, en praxis som skulle möjliggöra lättare, mindre komplexa och därför billigare uppdrag. Domagal-Goldman och Arney föreställer sig framtida exoplanetuppdrag där AI-tekniker inbäddade i rymdfarkoster är smarta nog att fatta vetenskapliga beslut i realtid, sparar de många timmar som krävs för att kommunicera med forskare på jorden.

"AI-metoder kommer att hjälpa oss att frigöra processorkraft från våra egna hjärnor genom att göra mycket av det inledande legworket på svåra uppgifter, " säger Arney. "Men de här metoderna kommer inte att ersätta människor snart, eftersom vi fortfarande måste kontrollera resultaten."