SETI Institute och Frontier Development Lab (FDL.ai) tillkännager lanseringen av SpaceML.org. SpaceML är en resurs som gör AI-färdiga datamängder tillgängliga för forskare som arbetar inom rymdvetenskap och utforskning, möjliggör snabb experimentering och reproducerbarhet.

SpaceML Repo är en verktygslåda för maskininlärning och gemenskapsstyrd resurs för att göra det möjligt för forskare att mer effektivt engagera sig i AI för rymdvetenskap och utforskning. Den är utformad för att överbrygga klyftan mellan datalagring, koddelning och analys på serversidan (moln).

SpaceML.org inkluderar analysklara datamängder, rymdvetenskapsprojekt och MLOPS-verktyg utformade för att snabba upp befintliga AI-arbetsflöden till nya användningsfall. Datauppsättningarna och projekten bygger på fem år av banbrytande AI-tillämpning som slutförts av FDL-team av doktorander i tidiga karriärer inom AI/ML och multidisciplinära vetenskapsdomäner i samarbete med NASA, ESA och FDL:s kommersiella partners. Utmaningsområden inkluderar geovetenskap, månutforskning, astrobiologi, planetariskt försvar, utforskningsmedicin, katastrofinsatser, heliofysik och rymdväder.

"De mest effektiva och användbara tillämpningarna av AI och maskininlärningstekniker kräver datauppsättningar som har förberetts ordentligt, organiserad och strukturerad för sådana tillvägagångssätt, sa Bill Diamond, VD för SETI Institute. "Fem års FDL-forskning inom ett brett spektrum av vetenskapsdomäner har möjliggjort etableringen av ett antal analysklara datauppsättningar som vi är glada över att nu göra tillgängliga för det bredare forskarsamhället."

FDL tillämpar AI- och maskininlärningsteknik (ML) på vetenskapen för att tänja på forskningens gränser och utveckla nya verktyg för att hjälpa till att lösa några av mänsklighetens största utmaningar, både här på jorden och i rymden.

Projekt som anordnas på SpaceML.org för forskarsamhället inkluderar:

• Ett projekt som tar itu med problemet med hur man använder ML för att autokalibrera rymdbaserade instrument som används för att observera solen. Efter år av exponering för vår stjärna, dessa instrument försämras med tiden - lite som grå starr. Omkalibrering kräver dyra sondraketer. Använder ML, teamet har kunnat utöka data, i själva verket "ta bort" grå starr.

  "Hinderet för många forskare att börja använda SDOML-datauppsättningen, och att börja utveckla ML-lösningar, är friktionen de upplever när de startar första gången, sa Mark Cheung, Sr. stabsfysiker vid Lockheed Martin och huvudutredare för NASA Solar Dynamics Observatory/Atmospheric Imaging Assembly. "SpaceML ger dem en kickstart genom att minska den ansträngning som krävs för utforskande dataanalys och modelldistribution. Det visar också reproducerbarhet i handling."

• Ett annat projekt visar hur datareduktionen av ett meteorövervakningsnätverk känt som CAMS (Cameras for Allsky Meteor Surveillance) kan automatiseras för att identifiera nya meteorregnkluster – eventuellt spåren av forntida jordkorsande kometer. Sedan AI-rörledningen har satts på plats har totalt nio nya meteorskurar upptäckts via CAMS.

  "SpaceML hjälpte till att accelerera påverkan genom att ta in ett team av medborgarforskare som distribuerade en tolkbar Active Learning och AI-driven meteorklassificerare för att automatisera insikter, tillåta astronomerna fokuserad forskning för SETI CAMS-projektet, sade Siddha Ganju, Självkörande och medicinska instrument AI-arkitekt, Nvidia (grundare av SpaceML:s CAMS och Worldview Search Initiatives). "Under SpaceML standardiserade vi (1) processpipelinen för att bearbeta den decennium långa meteordataset som samlats in av CAMS, och, etablerade den senaste meteorklassificeraren med en unik förstärkningsstrategi; (2) aktiverat aktivt lärande i CAMS pipeline för att automatisera insikter; och, (3) uppdaterade NASA CAMS Meteor Shower Portal som nu inkluderar himmelska referenspunkter och ett vetenskapligt kommunikationsverktyg. Och det bästa är att framtida medborgarforskare kan delta i CAMS-projektet genom att bygga på de allmänt tillgängliga utbildade modellerna, manus, och webbverktyg."

  SpaceML är också värd för INARA (Intelligent ExoplanNET Atmospheric RetrievAI), en pipeline för atmosfärisk återvinning baserad på en syntetiserad datauppsättning av tre miljoner planetariska spektra, att upptäcka bevis på möjlig biologisk aktivitet i exoplanetatmosfärer – med andra ord, "Är vi ensamma?"

  SpaceML.org strävar efter att skapa ett centralt arkiv av projektanteckningsböcker och datauppsättningar genererade från projekt som liknar de som listas ovan. Dessa projektförråd innehåller en Google "Co-Lab"-anteckningsbok som leder användarna genom datamängden och inkluderar ett litet datautdrag för en snabb testkörning innan de bestämmer sig för hela datamängden (som alltid är mycket stor).

  Projekten innehåller också den kompletta datamängden som används för utmaningarna, som kan göras tillgänglig på begäran. Dessutom, SpaceML strävar efter att underlätta hanteringen av nya datamängder som är resultatet av pågående forskning och i sinom tid köra turneringar för att bjuda in förbättringar av ML-modeller (och data) mot kända riktmärken.

  "Vi var oroliga över hur vi skulle göra vår AI-forskning mer reproducerbar, sa James Parr, FDL:s direktör och VD, Trillium Technologies. "Vi insåg att det bästa sättet att göra detta var att göra data lättillgänglig, men också att vi behövde förenkla både ombordstigningsprocessen, initiala experiment och arbetsflödesanpassningsprocess."

  "Problemet med AI-reproducerbarhet är inte nödvändigtvis, "inte uppfunnet här" - det är mer, "inte tillräckligt med tid för att ens försöka." Vi tänkte om vi kunde dela analysklar data, möjliggör snabba experiment på serversidan och bra versionskontroll, det skulle vara det bästa att hjälpa till att få dessa verktyg att plockas upp av samhället till gagn för alla."

  FDL lanserar sitt 2021-program den 16 juni, 2021, med forskare i USA som tar itu med sju utmaningar inom områdena heliofysik, Astronauthälsa, Planetvetenskap och geovetenskap. Programmet kommer att kulminera i mitten av augusti, med team som visar upp sitt arbete i ett virtuellt evenemang.