NASA pasienio plėtros laboratorijos programos dalyviai rugpjūčio 17 d. Pristatė mašininio mokymosi panaudojimo kosmose projektus. Visų pirma, komandos parodė dirbtinio intelekto sistemas, skirtas potencialiai pavojingų kometų orbitoms nustatyti ir mėnulio paviršiaus žemėlapiams tobulinti. Apie tai kalba „IEEE Spectrum“.
Tokios įmonės kaip „Facebook“ar „Google“naudoja mašininį mokymąsi, norėdamos versti tekstą ar atpažinti žmones nuotraukose, tačiau mašininio mokymosi metodai naudojami ne tik gaminant pagal užsakymą, bet ir sprendžiant mokslines problemas. Padedama antrus metus organizuojamos Pasienio vystymosi laboratorijos programos, NASA tiria dirbtinio intelekto algoritmų galimybes tyrinėti kosmosą. Kiekvieną vasarą agentūra suburia mažas tyrėjų grupes, kad spręstų svarbias kosmoso tyrimų problemas.
- „Salik.biz“
Iš viso komandos dirba prie penkių projektų - apsaugo planetą nuo ilgalaikių kometų, nustato mėnulio kraterius, sukuria trijų dimensijų artimų Žemės asteroidų modelius, tiria heliosferos ir kosminių orų poveikį Žemės atmosferai ir magnetosferai bei nustato saulės pliūpsnių ir vainikinės masės išstūmimo priežastis. Praėjusį ketvirtadienį Santa Klaroje vykusioje „Wrap-Up“konferencijoje mokslininkai pristatė pirmuosius rezultatus.
„IEEE Spectrum“kalbėjo apie abiejų komandų darbo rezultatus. Pirmoji tyrėjų komanda panaudojo Allsky meteorų stebėjimo (CAMS) tyrimo „Cameras“duomenis, kad iš meteorų dušų galėtų numatyti, kada šalia Žemės skris kita ilgo laikotarpio kometa. Kaip CAMS dalis, šešiasdešimt vaizdo kamerų, įrengtų trijose stotyse, stebi dangų ir ieško silpnų meteorų. Jie randa meteorų lietų ir bando juos susieti su neseniai atrastomis kometomis, kurios galbūt paliko šias šiukšles. Mokslininkų komanda iš Pasienio vystymosi laboratorijos sukūrė neuroninį tinklą, kuris išskiria greitai judančius meteorus nuo debesų, ugniagesių ir lėktuvų (dažniausiai tai daroma rankomis), tada vaizdai sugrupuojami laiku. Taigi algoritmas nustato anksčiau nežinomus meteorų lietus.
90 procentų atvejų nervinio tinklo, kuris buvo tiriamas du mėnesius, prognozės sutapo su objektų klasifikacija pagal žmones. Bandomajame projekte komanda išanalizavo apie milijoną meteorų. Tačiau kai kurie ekspertai projektą vertino skeptiškai: visų pirma jie reikalavo įrodymų, kad meteorų lietūs nėra duomenų triukšmas ir kad jie yra kometų liekanos, o ne asteroidai ar kiti šaltiniai. Vienas iš projekto kūrėjų, Marcelo de Cicco iš Brazilijos nacionalinio metrologijos instituto, sutarė, kad nervų tinklą dar reikia tobulinti.
Antrojo projekto autoriai dirbo su tarpplanetinės stoties „Lunar Reconnaisance Orbiter“(LRO) duomenimis, kad sudarytų išsamesnį mėnulio paviršiaus žemėlapį. Pirmiausia mokslininkai panaudojo „Lunar Orbiter Laser Altimeter“(LOLA) informaciją, kad sudarytų skaitmeninį palydovo aukščio žemėlapį. Tačiau jis turėjo vieną trūkumą - jame buvo daiktų. Kiekvieną kartą, kai LRO skrieja aplink Mėnulį, jis šiek tiek nukrypsta nuo savo idealios orbitos. Dėl šios priežasties matavimai yra netikslūs, o akmenų ir įtrūkimų atsiranda ten, kur jų nėra.
Norėdami išspręsti šią problemą, tyrėjai suderino žemėlapį su vaizdais iš siauro kampo fotoaparato (NAC), kuriame fiksuojami saulės spinduliai, atspindimi nuo Mėnulio paviršiaus. Naudodama mašininio mokymosi algoritmą, komanda išnaikino artefaktus ir sudarė tikslesnį Žemės palydovo žemėlapį. Mokslininkai taip pat išmokė dirbtinio intelekto sistemos, kad būtų galima atskirti kraterius nuo šešėlių ir panašių objektų. Programos tikslumas buvo 98 procentai.
Pastaraisiais metais astronomai vis dažniau naudoja neuroninius tinklus. Pavyzdžiui, kompiuteriniai algoritmai jau padeda mokslininkams nustatyti egzoplanetų atmosferų sudėtį ir sekti žvaigždžių judėjimą galaktikoje.
Reklaminis vaizdo įrašas:
Christina Ulasovič