En varning dyker upp i ditt e-postmeddelande:De senaste rymdfarkostobservationerna är klara. Du har nu 24 timmar på dig att söka igenom 84 timmars data, välja ut de mest lovande ögonblicken på en del av en sekund du kan hitta. Datapunkterna du väljer, beroende på hur du rankar dem, kommer att ladda ner från rymdfarkosten i högsta möjliga upplösning; forskare kan spendera månader på att analysera dem. Allt annat kommer att skrivas över som om det aldrig samlades in alls.

Det här är insatserna som Scientist in the Loop står inför, en av de viktigaste rollerna på den magnetosfäriska multiskalan, eller MMS, uppdragsteam. Sjuttiotre volontärer delar ansvaret, arbetar veckolånga skift åt gången för att säkerställa att den allra bästa informationen når marken. Det kräver ett skarpt och noggrant öga, vilket är anledningen till att det alltid har lämnats till en noggrant utbildad människa - åtminstone fram till nu.

En artikel som publicerades idag beskriver den första artificiella intelligensalgoritmen som ger Scientist in the Loop en (virtuell) hand.

"MMS är det första stora NASA-uppdraget som implementerar maskininlärning i sina uppdragsverksamhet, sa Matthew Argall, rymdfysiker vid University of New Hampshire och huvudförfattare till tidningen.

Algoritmen utför en enda uppgift:upptäcka när rymdfarkosten korsade från jordens magnetfält till solens, eller tvärtom. Men det är bara den första av många specialalgoritmer som kan förändra hur MMS-vetenskapen görs.

Sprängande jordens bubbla

Ett osynligt kraftfält omger vår planet, en gigantisk bubbla med mer än 40, 000 mil ut i rymden. Detta är vårt magnetfält, och det tjänar oss på flera sätt. Det håller saker utanför, avleda skadliga kosmiska strålar som annars skulle träffa jordens yta, livshotande. Men det håller också saker inne, sätta trafikmönster för partiklarna som surrar genom rymden nära jorden. Elektroner, liten och lätt, vrid täta piruetter runt jordens magnetfältslinjer; tyngre joner rör sig långsammare, bredare slingor.

Men jordens magnetfält är ingenting jämfört med solens. Partiklar som blåser bort från solen, känd som solvinden, bära vår stjärnas magnetfält långt förbi Neptunus omloppsbana. Partiklarna i den spårar ut solens magnetfältslinjer, kolliderar med jordens magnetiska bubbla längs vägen. Kollisionsplatserna bildar en osynlig gräns som forskarna kallar magnetopausen.

I stort sett, magnetopausen håller i sig – men inte alltid. När förhållandena är rätta och magnetfälten är i linje, solvinden kan punktera vår magnetiska bubbla. Platsen för brottet är känd som en elektrondiffusionsregion, eller EDR, och att hitta dem är MMS-uppdragets primära mål.

Inom en EDR, solens och jordens magnetfältslinjer smälter samman, avbryta varandra, och försvinna. Elektroner, energisk och obunden, zippa fram och tillbaka i en kaotisk pandemonium.

"Det är som att de tappade sina körfält när någon trampade på deras gaspedalen, sa Barbara Giles, senior projektforskare för MMS.

Dessa partikelsprängningar utlöser en kedjereaktion som sätter igång norr- och södersken – de kan till och med utsätta astronauter och rymdfarkoster i fara. EDR bryter ut i hela universum, från mitten av solflammor till kanten av svarta hål. MMS söker efter dem närmare hemmet, vid kanten av jordens magnetfält.

Men att fånga en på bar gärning är oerhört svårt. EDR visas utan förvarning, sträcker sig så lite som två mil tvärs över (inom ett 14 miljarder mil brett sökutrymme), och varar bara tiondelar av en sekund. Under fem år av kontinuerligt sökande, MMS har uppmätt drygt 50. Men varje gång det passerar magnetopausen, där vårt magnetfält möter solens, den har en ny chans att se en.

Jakt på magnetopauskorsningar

Så Scientist in the Loop sållar igenom varje banas data, jakt på magnetopauskorsningar. Men de sticker inte nödvändigtvis ut i uppgifterna – att identifiera dem är mer som att peka ut när ett duggregn övergår i regn. En enda banas data kan innehålla så få som två eller så många som 100 magnetopauskorsningar, med falska larm-look-a-likes peppade emellan. För att hitta dem, Scientist in the Loop måste helt enkelt lägga ner tiden.

"I de första dagarna, det var i princip ett heltidsjobb, sa Rick Wilder, rymdfysiker vid Laboratory for Atmospheric and Space Physics i Boulder, Colorado. Sedan dess, Wilder har hjälpt till att optimera Scientist in the Loops arbetsflöde och utbildat nya rekryter till erfarna experter. I dag, en erfaren Scientist in the Loop behöver bara några timmar i veckan. Men det är fortfarande en påfrestning för forskare som ställer upp som volontär ovanpå späckade scheman. "Trötthet finns alltid i bakhuvudet, " sa Wilder.

De hade alltid planerat att automatisera delar av Scientist in the Loops roll, men att hitta en algoritm som matchar mänskliga prestationer var en utmaning. Forskare kan se större trender i data, något de flesta algoritmer kämpar för att göra. "En del av vad en vetenskapsman gör är att titta på utvecklingen i tid av data, " sa Argall. "Till exempel, att kunna identifiera att du är i magnetosfären vid ett tillfälle, och använda det för att påverka hur [du ser] att data utvecklas."

Argall och hans medarbetare byggde en algoritm som försöker efterlikna hur människor läser data. Det tar formen av ett neuralt nätverk, en databehandlingsteknik inspirerad av hjärnan. Till skillnad från traditionella algoritmer, neurala nätverk programmerar sig själva genom att trial and error. Argall visade nätverksexemplen på magnetopauskorsningar, sedan testade det på nya fall. Om det svarade fel - en icke-korsning valdes, eller en riktig korsning missades – han skickade en felsignal, utlöser en kaskad av justeringar innan nästa test. Som mänskliga vetenskapsmän i slingan, nätverket lärde sig att identifiera magnetopauskorsningar av erfarenhet.

Men de flesta neurala nätverk bearbetar data i isolerade ögonblicksbilder, medan forskare ser mätningar utvecklas i tiden. Teamet uppskattade vetenskapsmannens förmåga genom att använda grindar för att lagra data som nätverket precis såg samt data som kommer upp härnäst. När nätverket bestämmer om det tittar på magnetopauskorsning eller inte, den kan komma åt omgivande datapunkter för att hjälpa till. "Algorithmen lägger till indata från det förflutna och framtiden för att ge sammanhang för det beslut den fattar för närvarande, " sa Argall.

Det är den första algoritmen av vad som kan vara många. Teamet föreställer sig att bygga flera specialdetektorer för att arbeta tillsammans i en hierarki. (En samling specialister, andra har hittat, överträffar en jack-of-all trades-algoritm.) På den lägsta nivån, "regionklassificerare" tittar på data för att ta reda på var rymdfarkosten befinner sig i rymden. De skickar sin utdata till regionspecifika "händelseklassificerare, " som letar efter de fenomen som forskarna vill hitta. Med framgång under de närmaste åren, MMS kunde automatiskt upptäcka mycket mer än magnetopauskorsningar.

"Vi kan ta emot förfrågningar, säg för en viss signatur i data, och ta ner det i realtid, ", sa Giles. "Det blir ett systemobservatorium i den meningen - en gemenskapsresurs."

Det är fortfarande en bit bort. Den nya algoritmen matchar för närvarande mänskliga bedömningar ungefär 70 % av tiden. (Även forskare håller inte med varandra till 100 % av tiden.) Sedan oktober 2019, varje veckas Scientist in the Loop har behandlat det som en assistent, dubbelkolla sitt arbete och upptäcka eventuella misstag.

"Men jag är säker på att inom några år till, med dessa tekniker som han utvecklar, han kommer att göra Scientist in the Loop överflödig, " sa Giles. "Vi kommer att veta när den dagen kommer, för allt de kommer att göra är att gå in, kryssa i en ruta, och gå vidare."

Med en pålitlig algoritmisk assistent vid sin sida, forskare kan fokusera på dessa vickningar i data som de ännu inte vet hur de ska märka. Vi kan skymta en framtid där algoritmer är mindre verktyg än kollaboratörer, arbetar tillsammans med forskare när båda lär sig av nya data tillsammans.