Jakter fremmede planeter og beskytter jorden mot asteroider: Fem måter NASA bruker AI

5 ting å vite om AI Hvis bedriften din samler inn data, er det sannsynligvis en applikasjon for AI. Og det kan fremskynde prosessen og redusere feil, forklarer Tom Merritt.

Det er ikke bare mennesker som bryter med de store spørsmålene om kosmos. Maskiner er det også.

Mer om innovasjon

  • IBM kunngjør gjennomslag av batteriteknologi
  • Augmented reality for business: Cheat sheet
  • Bilder: Verdens 25 raskeste superdatamaskiner
  • Inside the Raspberry Pi: Historien om $ 35-datamaskinen som forandret verden

På NASAs Frontier Development Lab (FDL) bruker forskere maskinlæring for å utforske om liv kan eksistere på andre planeter, hvordan de skal forsvare jorden mot asteroider, og hvordan de kan oppdage uberørte meteoritter på planetens overflate.

FDL er en anvendt AI-forskningsakselerator som er vert for SETI Institute i samarbeid med NASA Ames Research Center. Laboratoriet fokuserer på hvordan AI kan takle noen av de vanskeligste problemene innen romfag, og samler forskere fra NASA, European Space Agency (ESA) og akademia med de fra Google, IBM, Intel, Lockheed Martin, Nvidia og forskjellige andre selskaper .

"Kunstig intelligens er virkelig uvurderlig over hele spekteret av romproblemer, " sa James Parr, direktør for FDL, og la til at laboratoriet var fokusert på forskning både i verdensrommet og hvordan rombaserte teknologier kunne løse problemer på jorden.

Han fremkalte det berømte Earthrise-bildet som ble tatt da romfartøyet Apollo 8 gikk i bane rundt månen, og viste jorden som en ørliten blå kåpe som dukket opp i det store, svarte lerretet i rommet.

"Det er tingen med romarbeid, du starter med å slå opp, men du ender opp med å se deg tilbake. Du skjønner at planeten vår ikke er veldig stor, og vi har et stort antall problemer.

"Vi har en fantastisk ny teknologi med AI, jeg vil invitere deg til å begynne å tenke på hvordan du kan bruke oppfinnsomheten din, " fortalte han publikum til maskinlæringsingeniører og AI-forskere på RE • WORK Deep Learning Summit i London.

Det berømte Earthrise-skuddet som ble tatt under oppdraget Apollo 8.

Bilde: NASA

Her er fem måter FDL bruker AI-teknologier for å utforske kosmos.

1. Å lage informerte gjetninger om fremmedliv

FDL har brukt nevrale nettverk for å utforske hvilke typer fremmede liv som kan eksistere på eksoplaneter, planeter som kretser rundt stjerner utenfor solsystemet vårt.

Selv om disse planetene er lysår unna, kan de bli oppdaget av romteleskoper som observerer periodiske fall i lys når disse planetene passerer foran sin overordnede stjerne, og gir ledetråder om hver planets tetthet, masse og avstand fra solen deres.

FDL brukte disse spektrale ledetrådene for å trene autoencodere og generative adversarial nettverk (GANs), typer nevrale nettverk som kan generere troverdige data. Ved hjelp av disse trente nettverkene var FDL i stand til å generere 3, 5 millioner mulige kandidater for fremmede metabolismer, de kjemiske reaksjonene som opprettholder liv.

Parr sier det er verdt å utforske hvordan livet på fremmede planeter kan avvike, og påpeker at livet er "ikke bare slik det utvikles på jorden, det er forskjellige muligheter".

Lysspektrene som passerer gjennom eksoplanettatmosfærer kan også gi hint om atmosfærens kjemi og klodens klima, og Parr sa at laboratoriet forventet å kunne gjøre enda mer detaljerte anslag basert på data fra rombaserte teleskoper fra Gaia og James Webb.

2. Oppdage eksoplaneter

Mens mennesker har oppdaget mer enn 3000 eksoplaneter, sa Parr at NASAs nylig lanserte Transiting Exoplanet Survey Satellite (TESS) burde hjelpe oss med å identifisere langt flere planeter enn det som tidligere hadde vært mulig ved hjelp av data samlet av Kepler-romteleskopet.

"Kepler så virkelig på et frimerke, og nå skal TESS se på 80 - 85% av himmelen. Det er en enorm datautfordring, " sa han og la til at mye av dataanalysen fremdeles er manuell.

"Et av prosjektene vi gjorde i år var å ta den arbeidsflyten og erstatte den med en AI-arbeidsflyt, " sa han.

Han sa at FDL-teamet hadde brukt data samlet av Kepler for å bevise teknikken som fungerte, og håpet å analysere TESS-data på det nye året.

3. Hjelpe med å beskytte jorden mot asteroider

Før vi kan beskytte planeten mot objekter i nærheten av jorden (NEO-er) som ramler verdensrommet, må vi vite hvordan de ser ut.

Men å modellere formen til asteroider og andre NEO-er basert på radardata kan ta menneskelige eksperter opptil fire uker.

"Det er veldig nyttig å forstå formen til en asteroide før den kommer inn i jordas atmosfære, " sa Parr, på grunn av hvordan formen til en NEO kan påvirke dens aerodynamikk.

"Å forstå sentrum av masse og tumle er faktisk en avgjørende ting for å avgjøre hvordan vi skal flytte det hvis vi måtte gjøre det."

Ved å mate disse sparsomme radardataene i trente GAN-er, var teamet i stand til å modellere NEO-er i løpet av timer.

"NASA har en enorm etterslep av formmodeller, for å gjøre det, dette er et bevis på teknologi."

4. Hjelpe med å gjenopprette meteoritter

Å finne uberørte meteoritter etter at de lander på jordoverflaten er et løp mot tiden før vannet, oksygen og klor i jordens atmosfære tar sin toll.

FDL-forskere brukte et hjemmelaget datasett på rundt 35 000 meteoritter for å trene en maskinlæringsmodell for å få øye på meteorittprøver ovenfra og skille dem fra landjordarter.

Når teamet var installert på kamerautstyrt, meteorittjakt-drone, fant teamet at maskinlæringsmodellen fungerte ekstremt effektivt for å skure et ruskfelt i nærheten av der en meteoritt var kjent for å ha falt.

"Vi blir besøkt av asteroider hele tiden, meteroritter lander på bakken, og hvis vi kan få dem snart nok, kan vi få en ganske uberørt prøve før de oksiderer, " sa Parr.

"Dronen oppdaget 16 000 kandidat-meteoritter, men det som var spennende med dette var at av de 16 000 bestemte den den faktiske meteoritten. Den viser at denne teknologien er fenomenalt kraftig."

5. Kartlegge månekrater som kan inneholde vann

Kartlegging av dype kratre ved Månens poler kan bidra til å identifisere hvilke krater som kan inneholde frossent vann, men det er også en "enorm, tidkrevende oppgave", ifølge Parr.

Med den eksisterende hastigheten kan manuelt kartlegge kratre ved polene ta mer enn 2000 år, sa han.

For å få fart på prosessen, opprettet FDL og Intel et spill der spillerne ville hjelpe til med å merke bilder av månekrater. Dette datasettet ble deretter brukt til å trene et convolutional neuralt nettverk (CNN), en type nettverk som utmerker seg ved bildegjenkjenning, for å få øye på kratre ved polene.

Sammenlignet med menneskelige eksperter, var den trente maskinlæringsmodellen 100 ganger raskere og hadde en 98, 4% nøyaktighetsgrad.

"Når vi har utviklet den inferensmodellen, får vi noen fantastiske resultater, " ifølge Parr, som sa at den trente modellen i det vesentlige fjernet behovet for at mennesker skulle gjøre analysen.

Les mer:

  • Facebooks maskinlæringsdirektør deler tips for å bygge en vellykket AI-plattform (TechRepublic)
  • AI-hjelpere er ikke bare for Facebooks Zuckerberg: Slik bygger du din egen (TechRepublic)
  • IBM Watson: Hva bruker selskaper det til? (ZDNet)
  • Hvordan utviklere kan dra nytte av maskinlæring på Google Cloud Platform (TechRepublic)
  • Hvordan forberede virksomheten din til å dra nytte av AI (TechRepublic)
  • Executive's guide to AI in business (gratis eBok)

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

© Copyright 2020 | mobilegn.com