ИИ в космосе, часть 2: Автономные миссии и поиск экзопланет

В 2017 году искусственный интеллект (ИИ) совершил революцию в астрономии: алгоритмы Google обнаружили восьмую планету в системе звезды Kepler-90. Исследователи Кристофер Шалл и Эндрю Вандербург обучили нейронную сеть распознавать экзопланеты путем анализа данных о светимости, полученных телескопом Kepler. Ученые искали едва заметные изменения в яркости звезд, что могло указывать, что перед ними проходит планета. Именно нейросеть смогла засечь слабые транзитные сигналы от ранее не обнаруженной восьмой планеты, вращающейся вокруг Kepler-90 в созвездии Дракона. Так искусственный интеллект и машинное обучение стали мощными инструментами для идентификации еле уловимых сигналов из космоса, которые сложно или слишком ресурсозатратно выявить при традиционном анализе. 

Результаты партнерства NASA и Google AI показали, что научные открытия в космосе возможны с помощью передовых инструментов в других сферах. Итак, рассказываем, как ИИ и смежные технологии позволяют достигать впечатляющих результатов в миссиях и задачах, направленных на изучение дальних уголков Вселенной. 

ИИ в автономных миссиях NASA по исследованию Марса

Минимальное расстояние от Земли до Марса составляет 55,76 млн км, максимальное (когда Солнце находится точно между двумя планетами) — 401 млн км, что сильно усложняет управление марсоходами в режиме реального времени. Использование ИИ для принятия решений и построения маршрутов прямо на месте стало одним из самых очевидных способов решения этой проблемы.

Чтобы действовать автономно, марсоходы полагаются на внутренние инструкции и предварительно обученные ИИ-алгоритмы, учитывающие направление движения аппарата и его цель, например, съемка окружающей среды или сбор образцов грунта. Также марсоходам следует быстро адаптироваться к неожиданным ситуациям и избегать опасностей — и снова без участия человека. 

Curiosity

Марсоход Curiosity отправился исследовать кратер Гейла в ноябре 2011 года в рамках миссии «Марсианская научная лаборатория». Он автономно поражал камни лазером, ориентируясь на их форму и цвет, а затем по газу, который при этом высвобождался, определял их химический состав. Газ анализировал комплекс приборов Sample Analysis at Mars (SAM), однако получаемых ними данных было много и интерпретировать их было сложно. Тут и пришелся кстати искусственный интеллект: он помог определить самые ценные с научной точки зрения данные, а также приоритезировать их для дальнейшего анализа. Для того времени это были впечатляющие возможности. А затем у Curiosity появился конкурент — Perseverance. Именно его считают наиболее ярким примером использования ИИ в автономных космических миссиях, где он значительно превзошел своего предшественника. 

Perseverance

Марсоход Perseverance полностью самостоятельно перемещается по местности со сложным рельефом, без дополнительных указаний с Земли. Для определения оптимального маршрута его встроенный автопилот AutoNav использует машинное обучение. Камерами марсоход захватывает изображения окружающей среды, анализирует их, и с помощью алгоритма ACE (Approximate Clearance Evaluation) строит несколько маршрутов. А дальше система eNav (Enhanced AutoNav) сортирует их и выбирает самые безопасные. Избегать неприятностей при посадке помогает технология TRN (Terrain Relative Navigation), в основе которой лежит компьютерное зрение. Вместе это позволяет Perseverance двигаться непрерывно на любой скорости, но фактически она ограничена 4 м/с — в NASA сделали это, чтобы марсоход не застрял и не разбился.

Как проходил спуск марсохода Perseverance и его посадка на Марс:

Одна из самых интересных возможностей Perseverance — его спектрометр. Этот инструмент для рентгеновской литометрии PIXL (Planetary Instrument for X-ray Lithochemistry) оснащен программным обеспечением Adaptive Sampling. Оно использует искусственный интеллект для автономного позиционирования прибора и анализа данных о минералах, которые могут представлять научный интерес. PIXL выступает своеобразным фильтром, позволяющим принимать решения о действительно важных объектах для изучения без вмешательства человека, что значительно ускоряет процесс сбора наиболее ценных научных данных. 

ИИ оборудованы приборы: LIBS (Laser-Induced Breakdown Spectroscopy), для автономного анализа горных пород, и SPOC (Soil Property and Object Classification), изучающий свойства почвы и объекты окружающей среды. Помимо этого, Perseverance оснащен ИИ-системой AEGIS (Autonomous Exploration for Gathering Increased Science) для сбора научных данных во время исследования планет. А объединять полученные таким образом массивы информации с данными из нескольких других источников позволяет алгоритм Nested Fusion. Изначально он разработан для марсоходов, но у него большие перспективы применения на Земле — там, где ученым необходимо работать с большими объемами информации. 

Ingenuity

Следом за Perseverance на Марс был доставлен небольшой вертолет Ingenuity, ставший первым летательным аппаратом, совершившим управляемый полет на другой планете. Его планировали использовать только для пяти экспериментальных полетов, но по факту он выполнил их в несколько раз больше и пробыл на поверхности Марса почти три года вместо запланированного месяца. 

Понаблюдайте за действительно уникальным полетом Ingenuity — одним из 72, которые он совершил:

В Лаборатории реактивного движения (JPL) NASA разработали алгоритмы для систем навигации и контроля за этим летательным аппаратом. Благодаря искусственному интеллекту Ingenuity мог самостоятельно выбирать места посадки в самых сложных условиях и очищаться после пылевых бурь.

Некоторое время Ingenuity служил воздушным разведчиком при марсоходе Perseverance — а именно, помогал находить потенциально интересные для изучения области и прокладывать безопасные маршруты. В этом участвовала бортовая автоматизированная система оценки состояния и глобальной локализации, которая значительно снизила зависимость от наземного анализа.

Говоря о действительно продвинутых в плане искусственного интеллекта Perseverance, Curiosity и Ingenuity, нельзя не упомянуть их предшественников, первыми получивших начальные интеллектуальные функции.

Sojourner, Spirit и Opportunity

По сравнению с Perseverance, у марсохода Sojourner, запущенного в 1997 году, был довольно скромный ИИ-компонент. Однако именно в то время были заложены принципы использования ИИ и автоматизации в миссиях, посвященных исследованию дальних планет. 

Искусственный интеллект Sojourner базировался на математической модели, которая имитировала поведение животных при избегании или бегстве от опасности. В своем пресс-релизе 1997 года NASA так описало этот марсоход: «Впервые «думающий» робот, оборудованный сложными лазерными глазами и автоматизированным программированием, реагирует на незапланированные события на поверхности другой планеты».

Марсоходы-близнецы Spirit и Opportunity отправились в космос с разницей в один месяц шесть лет спустя после Sojourner, в рамках программы Mars Exploration Rover. Для исследования различных регионов Марса они были оснащены более «усовершенствованным искусственным интеллектом», который позволил им анализировать изображения и самостоятельно строить маршруты так, чтобы избегать препятствий. Специальный алгоритм использовал стереокамеры для создания 3D-карты местности, по которой затем вычислялись потенциальные преграды. Как сообщили в NASA, именно Spirit и Opportunity удалось найти убедительные доказательства того, что раньше на Марсе было более влажно и климатические условия были благоприятными для поддержки микробной жизни. 

ИИ для поиска экзопланет

Экзопланетами называют любые планеты за пределами нашей Солнечной системы. Человечеству уже удалось обнаружить чуть более 5800 экзопланет, хотя на самом деле их количество может достигать миллиарда. Самая близкая к Земле, Проксима Центавра b, расположена на расстоянии четырех световых лет. Ввиду огромной отдаленности поиски новых экзопланет очень сложны, но развитие технологий искусственного интеллекта позволило ученым немного упростить эту задачу.

Данные с Kepler — база для поиска новых экзопланет

Космический телескоп Kepler отправился в космос искать похожие на Землю планеты в марте 2009-го, проработал в течение девяти лет и помог ученым идентифицировать более 2000 экзопланет. Хотя миссии с ним завершены, собранные в их ходе данные до сих пор помогают находить новые. Раньше большие массивы информации обрабатывали люди: тратили на это много времени и часто ошибались. Сейчас значительную часть работ выполняют специально обученные алгоритмы. Один из них — ExoMiner — полностью имитирует ручной процесс, просматривая каталоги планет быстрее и эффективнее человека.

ExoMiner представляет собой нейронную сеть, которая непрерывно обучается и умеет определять, какую часть звезды перекрывает планета, и как долго длится ее транзит. Иными словами, сколько времени ей требуется, чтобы пересечь диск звезды. В теории, временное снижение яркости звезд вызвано тем, что мимо них транзитом проходит какая-то неизвестная планета. Что люди, что алгоритм ExoMiner анализировали эту кривую, причем ИИ делал это в разы точнее человека, который может ошибаться, неправильно или предвзято трактовать данные. Благодаря ExoMiner за короткое время в каталог было добавлено более 300 планет. 

Оператором Kepler является NASA, однако полученные с помощью этого космического телескопа данные доступны другим организациям. Авторы проекта Planet Hunter также используют ИИ и машинное обучение, буквально прочесывая космос для поиска новых экзопланет. За проектом стоят астрономы из британского Университета Уорика, создавшие модель машинного обучения, способную выявлять удаленные от нас планеты, анализируя огромные наборы сведений о десятках тысяч кандидатов.

После Kepler миссию по поиску похожих на Землю планет продолжил TESS (Transiting Exoplanet Survey Satellite). У этого спутника четыре телескопа на борту, но меньше дальность обнаружения, однако обработка полученных ним данных с помощью ИИ по-прежнему приносит впечатляющие результаты. Именно таким способом несколько ученых и астрономов-любителей совместно обнаружили звездное трио TIC 290061484. Используя машинное обучение, сотрудники Центра космических полетов имени Годдарда в Гринбелте отфильтровали огромные массивы данных о звездном свете от TESS, чтобы выявить закономерности затемнения. После этого несколько гражданских ученых выполнили более глубокую фильтрацию, полагаясь на многолетний опыт и неформальное обучение, чтобы найти особенно интересные случаи.

James Webb

Самый мощный, сложный и дорогой телескоп из когда-либо созданных регулярно отправляет на Землю изображения космоса в инфракрасном диапазоне. Это позволяет ему заглядывать в более отдаленные уголки Вселенной, чем это делали предшественники (тот же Hubble). Видеть дальше не всегда означает видеть больше. Но в случае с James Webb все именно так, и не последнюю роль в этом играют искусственный интеллект и машинное обучение. Они ежедневно анализируют более 235 Гб научных данных, причем делают это кратно быстрее, чем человек, использующий традиционные подходы. И если на какие-то задачи у ученых уходили недели, сейчас они могут посвятить это время более сложному анализу. 

Инструмент Morpheus буквально разбирает изображения на пиксели и выявляет среди них структуры, которые обычно пропускают при ручном анализе. ИИ улучшает необработанные изображения, корректируя шумы и повышая четкость, и также объединяет снимки, сделанные различными инструментами и в разных спектральных диапазонах. А ИИ-инструменты вроде Jdaviz визуализируют наборы данных в различных режимах наблюдений, помогая быстрее извлекать из них полезные идеи.

Искусственному интеллекту все равно, данные с какого телескопа анализировать — главное, чтобы они были разнообразными и в достаточном количестве. Зато очень важно, как обучена модель и насколько точно она находит закономерности, труднодоступные для ручного анализа. Это подтверждает свежий пример ученых из японского Университета Осака. Они создали модель глубокого обучения для анализа данных сразу с нескольких телескопов, включая James Webb, и нашли пузыреобразные структуры, отсутствующие в астрономических базах. Речь о «пузырях Спитцера», изучение которых позволит лучше понять процессы образования звезд и эволюции галактик.

Будущее искусственного интеллекта в космической астрономии

Будущее искусственного интеллекта и машинного обучения в космической астрономии выглядит многообещающим. Учитывая, что настоящие и будущие космические телескопы будут собирать еще больше данных, внедрение этих технологий станет абсолютно необходимым для эффективного анализа и извлечения ценных знаний. Алгоритмы ИИ будут еще быстрее и качественнее выявлять закономерности и аномалии, обнаруживать слабые сигналы, позволяющие открывать новые экзопланеты и признаки жизни в космосе. 

Эксперты прогнозируют, что именно развитие искусственного интеллекта и машинного обучения в ближайшие пять лет в несколько раз увеличит количество найденных экзопланет. А космический телескоп Nancy Grace Roman, запуск которого запланирован на 2027-й, будет обнаруживать экзопланеты напрямую, минуя этап ручной проверки. Также ожидается появление автономных обсерваторий, способных принимать решения в режиме реального времени и оптимизировать использование ресурсов, что позволит проводить более оперативные наблюдения за быстротекущими космическими событиями.