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.