Анализатор органических молекул на борту марсохода Rosalind Franklin миссии ExoMars будет использовать алгоритм машинного обучения для ускорения анализа образцов. Кредиты: ESA
Когда роботизированный марсоход приземляется на другой планете, у ученых остается ограниченное количество времени для сбора данных из множества исследуемых материалов из-за короткой продолжительности миссии и длительности времени, необходимого для проведения сложных экспериментов.
Вот почему исследователи из Центра космических полетов имени Годдарда НАСА в Гринбелте, штат Мэриленд, изучают использование машинного обучения для ускоренного анализа данных, полученных с образцов марсохода, и оказания помощи ученым на Земле в разработке стратегии наиболее эффективного использования времени пребывания марсохода на планете.
«Этот алгоритм машинного обучения может помочь нам, быстро фильтруя данные и указывая, какие данные, вероятно, будут наиболее интересными или важными для изучения», — сказал Сян «Шон» Ли, ученый по масс-спектрометрии в лаборатории планетарной среды в NASA Goddard.
Сначала алгоритм будет протестирован на данных с Марса, запустив его на наземном компьютере с использованием данных, собранных прибором Mars Organic Molecule Analyzer (MOMA).
Анализатор является одним из основных научных инструментов предстоящей миссии ExoMars Rosalind Franklin Rover, возглавляемой ЕКА (Европейским космическим агентством). Марсоход, запуск которого запланирован не ранее 2028 года, стремится определить, существовала ли когда-либо жизнь на Красной планете.
После того, как Розалинда Франклин соберет образец и проанализирует его с помощью MOMA, данные будут отправлены обратно на Землю, где ученые будут использовать полученные данные для принятия решения о наилучшем курсе дальнейших действий.
«Например, если мы измерим образец, который покажет признаки крупных сложных органических соединений, смешанных с определенными минералами, мы можем захотеть провести более глубокий анализ этого образца или даже рекомендовать марсоходу собрать еще один образец с помощью буровой установки», — сказал Ли.
Специалист по данным NASA Виктория Да Пойан представляет алгоритм машинного обучения MOMA на конференции Supercomputing 2023 в Денвере, штат Колорадо. Автор: NASA/Donovan Mathias
Алгоритм может помочь определить химический состав под поверхностью Марса
В области искусственного интеллекта машинное обучение — это способ, с помощью которого компьютеры обучаются на основе данных (больших объемов данных), чтобы выявлять закономерности и принимать решения или делать выводы.
Этот автоматизированный процесс может быть эффективным, когда закономерности могут быть неочевидны для исследователей-людей, просматривающих те же данные, что типично для больших и сложных наборов данных, таких как те, которые используются при визуализации и спектральном анализе.
В случае MOMA исследователи собирали лабораторные данные более десяти лет, по словам Виктории Да Пойан, специалиста по данным в NASA Goddard, которая является одним из руководителей разработки алгоритма машинного обучения. Ученые обучают алгоритм, предоставляя ему примеры веществ, которые могут быть найдены на Марсе, и маркируя их. Затем алгоритм будет использовать данные MOMA в качестве входных и выходных прогнозов химического состава изучаемого образца на основе его обучения.
«Чем больше мы делаем для оптимизации анализа данных, тем больше информации и времени будет у ученых для интерпретации данных», — сказал Да Поян. «Таким образом, мы можем быстро реагировать на результаты и планировать следующие шаги, как будто мы находимся там с марсоходом, гораздо быстрее, чем раньше».
Поиск признаков прошлой жизни
Что делает марсоход Rosalind Franklin уникальным — и что, как надеются ученые, приведет к новым открытиям — так это то, что он сможет пробурить поверхность Марса на глубину около 6,6 футов (2 метра). Предыдущие марсоходы достигали лишь около 2,8 дюймов (7 сантиметров) под поверхностью.
«Органические материалы на поверхности Марса с большей вероятностью будут разрушены под воздействием радиации на поверхности и космических лучей, проникающих в недра», — сказал Ли, — «но двух метров глубины должно быть достаточно, чтобы защитить большую часть органического вещества. Таким образом, MOMA имеет потенциал для обнаружения сохранившейся древней органики, что станет важным шагом в поиске прошлой жизни».
Будущие исследования Солнечной системы могут быть более автономными
Поиск признаков жизни, прошлой или настоящей, в мирах за пределами Земли является важной задачей для NASA и всего научного сообщества. Ли и Да Пойан видят потенциал своего алгоритма как актива для будущего исследования таких заманчивых целей, как луны Сатурна Титан и Энцелад, а также луна Юпитера Европа.
Долгосрочная цель Ли и Да Пояня — достичь еще большей «научной автономии», когда масс-спектрометр будет анализировать собственные данные и даже помогать принимать оперативные решения автономно, что значительно повысит эффективность науки и миссии.
Это будет иметь решающее значение, поскольку миссии по исследованию космоса нацелены на более отдаленные планетарные тела. Научная автономия поможет расставить приоритеты в сборе данных и коммуникации, в конечном итоге достигая гораздо большего объема науки, чем это возможно в настоящее время в таких отдаленных миссиях.
«Долгосрочная мечта — это высокоавтономная миссия», — сказал Да Поян. «На данный момент алгоритм машинного обучения MOMA — это инструмент, который поможет ученым на Земле легче изучать эти важные данные».
Проект MOMA возглавляет Институт Макса Планка по исследованию солнечной системы (MPS) в Германии, главный исследователь — доктор Фред Гесманн. NASA Goddard разработала и построила подсистему масс-спектрометра MOMA, которая будет измерять молекулярные веса химических соединений в собранных марсианских образцах.
