NASA tränar just nu en maskininlärningsalgoritm för analys av prover från Mars

 

När den under ledning av  ESA   Rosalind Franklin-rovern åker till Mars  vilket sker tidigast 2028 får en av NASA:s maskininlärningsalgoritmer sin första chans att glänsa efter mer än ett decennium av dataträning i labbmiljö.

Mars Organic Molecule Analyzer (MOMA) är ett masspektrometerinstrument som då kommer att finnas ombord på rovern. Instrumentet kommer att analysera prover som samlats in från borrprov en bit under Mars yta och skicka resultaten tillbaka till jorden där de kommer att matas in i algoritmen för att identifiera organiska föreningar i proverna.

Om några organiska föreningar upptäcks av rovern kan algoritmen avsevärt påskynda processen att identifiera dem vilket sparar tid för forskarna när de bestämmer hur och var de mest effektivt ska använda roverns tid på Mars.

Inom artificiell intelligens är maskininlärning ett sätt för datorer att lära av insamlad data för att identifiera mönster, fatta beslut och dra slutsatser.

Denna automatiserade process bör bli kraftfull när mönstren kanske inte är uppenbara för mänskliga forskare som ser på samma data vilket är typiskt i stora, komplexa datamängder som de i avbildning och spektralanalys. I MOMA:s fall har forskare samlat in laboratoriedata i mer än ett decennium beskriver Victoria Da Poian datautvecklare vid NASA Goddard som är med och leder utvecklingen av maskininlärningsalgoritmen. Forskarna tränar algoritmen genom att mata den med exempel på ämnen som kan finnas på Mars och märka upp vilka de är.

Algoritmen kommer att använda MOMA-data som in- och utdata till förutsägelser av den kemiska sammansättningen av analyserade prov baserat på dess träning. MOMA-projektet leds av Max Planck Institute for Solar System Research (MPS) i Tyskland med Dr. Fred Goesmann som huvudansvarig för testerna. Forskningscentret NASA Goddard var centret som utvecklade och byggde delsystemet MOMA-masspektrometer. 

Bild wikipedia Kap Verde, Victoriakratern, Meridiani Planum. Bilden är tagen av roboten Opportunity. Klippan är ungefär 6 meter hög.

Med hjälp av en Algoritm fann man en första "potentiellt farlig" asteroid

 

En asteroidupptäcktaralgoritm - utformad för att avslöja jordnära asteroiders banor för Vera C. Rubin-observatoriet i Chile  de kommande 10 åren av natthimlen - har identifierat sin första "potentiellt farliga" asteroid i jordens närhet som forskare bör hålla ett öga på. Den ungefär 180 meter långa asteroiden, betecknad 2022 SF289, upptäcktes under en provkörning av algoritmen genom ATLAS-systemet på Hawaii.

 Fyndet 2022 SF289, som inte utgör någon risk för jorden under överskådlig framtid, bekräftar att nästa generations algoritm, känd som HelioLinc3D, ska kunna  identifiera jordnära asteroider med färre och mer spridda observationer än vad som krävs med dagens metoder.

Genom att demonstrera den verkliga effektiviteten hos programvaran som Rubin kommer att använda till att leta efter tusentals ännu okända potentiellt farliga asteroider, gör upptäckten av 2022 SF289 oss  säkrare, enligt Rubin-forskaren Ari Heinze, huvudutvecklare av HelioLinc3D och forskare vid University of Washington.

Solsystemet är hem för tiotals miljoner steniga kroppar som sträcker sig från små asteroider inte  större än några meter till dvärgplaneter av storleken som vår måne. Dessa objekt finns kvar från en era för över fyra miljarder år sedan då planeterna i vårt system bildades och intog sina nuvarande positioner.

De flesta av dessa kroppar finns långt från oss. Men ett antal av dem kretsar nära jorden i sina banor  och är jordnära objekt. De närmaste av dessa - de med en bana som tar dem inom cirka 20 gånger avståndet från jorden till månen - förtjänar särskild uppmärksamhet. Sådana "potentiellt farliga asteroider" söks det systematiskt efter och de som hittas övervakas för att säkerställa att de inte kolliderar med jorden en potentiellt förödande händelse. Dessas banor kan ändras över tid.

Vi ska inte glömma att det ibland även dyker upp tidigare okända asteroider det är dessa vi bör hitta innan de på en kurs mot Jorden plötsligt upptäcks vara på väg eller som meteoritnedslag in i atmosfären redan slagit ner på Jorden.

Bild www.pickpik.com

Allmänheten inbjuds att hjälpa till med att lära en artificiell algoritm i Mars rovern till större igenkänning.

 

Allmänheten får nu möjlighet att hjälpa till med att lära en artificiell intelligensalgoritm att känna igen intressanta objekt och hur rovern bör arbeta bättre utifrån i bilder tagna av NASA: s Perseverance rover.

Artificiell intelligens, eller AI, har en enorm potential att förändra hur NASA:s rymdfarkost studerar universum. Men eftersom alla maskininlärningsalgoritmer kräver utbildning från människor önskas i ett nytt projekt allmänheten hjälpa till med att  märka ut funktioner av vetenskapligt intresse från  bilder tagna av NASA: s Perseverance Mars rover. 

 Projektet kallas AI4Mars och är en fortsättning på ett tidigare projekt som lanserades förra året och som byggde på bilder tagna av NASA:s Curiosity rover. Deltagarna i det tidigare skedet av det projektet märkte ut nästan en halv miljon bilder med hjälp av ett verktyg för att beskriva funktioner som sand och sten som roverns förare vid NASA: s Jet Propulsion Laboratory vanligtvis ser upp för när de planerar rutter på den röda planeten. Slutresultatet blev en algoritm, kallad SPOC (Soil Property and Object Classification), som kunde identifiera dessa funktioner till  98 % rätt. 

SPOC (algoritmen) är dock fortfarande under utveckling men forskare hoppas att den en dag kan sändas till Mars på en framtida rymdfarkost som då kan utföra ännu mer automatisk körning än Perseverances AutoNav-teknik tillåter i dag. Än behövs övervakning och kursändringar av människor på jorden. 

Målet är att finslipa en algoritm som kan hjälpa en framtida rover att plocka ut spännande data i det som sänds från Mars rover till Jorden. Utrustad med 19 kameror skickar Perseverance i dag allt från dussintals till hundratals bilder till jorden varje dag till forskare och ingenjörer som då kan  leta efter specifika geologiska egenskaper. Men tiden är knapp: När dessa bilder reser miljontals mil från Mars till jorden har teammedlemmarna några timmar på sig att utveckla nästa uppsättning instruktioner baserat på vad de ser i dessa bilder tillbaka till rovern. Något som sammantaget tar flera timmar "Det är därför inte möjligt för någon forskare att titta på alla nedlänkade bilder noggrannt på så kort tid varje dag", säger Vivian Sun, en JPL-forskare som hjälper till att samordna Perseverances dagliga bilder och ge instruktioner tillbaks. Det skulle spara tid för oss om det fanns en algoritm som kunde säga, 'Jag tror att jag såg sten eller en intressant formation här borta', som verkar intressanta och då kan vetenskapsteamet titta på dessa områden mer detaljerat."

I dag kanske många bilder istället kommer att ligga på lager i en databank för framtida (kanske år framåt) studier och i någon av dessa lagrade bilder finns kanske något otroligt eller spännande som vi borde sett på nu för att förstå mer av vad som finns på Mars och undersöka omedelbart (min anm.). Det är därför intresserad allmänhets hjälp behövs, kanske din.

Bild från NASA på Robotarmen på NASA:s Perseverance rover syns i den här bilden som används av AI4Mars-projektet. Användare beskriver och identifierar olika berg- och landskapsfunktioner för att träna en artificiell intelligensalgoritm som hjälper till att förbättra Mars rovers kapacitet.