ШІ в космосі, частина 2: Автономні місії та пошук екзопланет

У 2017 році штучний інтелект (ШІ) здійснив революцію в астрономії: алгоритми Google виявили восьму планету в системі зорі Kepler-90. Дослідники Крістофер Шалл і Ендрю Вандербург навчили нейронну мережу розпізнавати екзопланети шляхом аналізу даних про світність, отриманих телескопом Kepler. Вчені шукали ледь помітні зміни в яскравості зорь, що могло вказувати, що перед ними проходить планета. Саме нейромережа змогла зафіксувати слабкі транзитні сигнали від раніше не виявленої восьмої планети, що обертається навколо Kepler-90 у сузір’ї Дракона. Так штучний інтелект і машинне навчання стали потужними інструментами для ідентифікації ледве вловимих сигналів із космосу, які складно або надто ресурсовитратно виявити під час традиційного аналізу.

Результати партнерства NASA і Google AI показали, що наукові відкриття в космосі можливі за допомогою передових інструментів в інших сферах. Отже, розповідаємо, як ШІ та суміжні технології дають змогу досягати вражаючих результатів у місіях і завданнях, спрямованих на вивчення далеких куточків Всесвіту.

ШІ в автономних місіях NASA з дослідження Марса

Мінімальна відстань від Землі до Марса становить 55,76 млн км, максимальна (коли Сонце перебуває точно між двома планетами) — 401 млн км, що сильно ускладнює управління марсоходами в режимі реального часу. Використання ШІ для ухвалення рішень і побудови маршрутів прямо на місці стало одним із найочевидніших способів вирішення цієї проблеми.

Аби діяти автономно, марсоходи покладаються на внутрішні інструкції та попередньо навчені ШІ-алгоритми, що враховують напрямок руху апарата і його мету, наприклад, зйомка навколишнього середовища або збір зразків ґрунту. Також марсоходам слід швидко адаптуватися до несподіваних ситуацій та уникати небезпек — і знову без участі людини.

Curiosity

Марсохід Curiosity вирушив дослідити кратер Гейла у листопаді 2011 року в межах місії “Марсіанська наукова лабораторія”. Він автономно вражав камені лазером, орієнтуючись на їхню форму і колір, а потім за газом, який від цього вивільнявся, визначав їхній хімічний склад. Газ аналізував комплекс приладів Sample Analysis at Mars (SAM), однак одержуваних ними даних було багато, й інтерпретувати їх було складно. У пригоді став штучний інтелект: він допоміг визначити найцінніші з наукового погляду дані, а також пріоритезувати їх для подальшого аналізу. Для того часу це були надзвичайні можливості. А потім у Curiosity з’явився конкурент — Perseverance. Саме його вважають найбільш яскравим прикладом використання ШІ в автономних космічних місіях, де він значно перевершив свого попередника.

Perseverance

Марсохід Perseverance повністю самостійно переміщається місцевістю зі складним рельєфом, без додаткових вказівок із Землі. Для визначення оптимального маршруту його вбудований автопілот AutoNav використовує машинне навчання. Камерами марсохід захоплює зображення навколишнього середовища, аналізує їх, і за допомогою алгоритму ACE (Approximate Clearance Evaluation) будує кілька маршрутів. А далі система eNav (Enhanced AutoNav) їх сортує й обирає найбезпечніші. Уникати негараздів при посадці допомагає технологія TRN (Terrain Relative Navigation), в основі якої лежить комп’ютерний зір. Разом це дозволяє Perseverance рухатися безперервно на будь-якій швидкості, але фактично вона обмежена 4 м/с — у NASA зробили це, щоб марсохід не застряг і не розбився.

Як проходив спуск марсохода Perseverance та його посадка на Марс:

Одна з найцікавіших можливостей Perseverance — його спектрометр. Цей інструмент для рентгенівської літометрії PIXL (Planetary Instrument for X-ray Lithochemistry) оснащено програмним забезпеченням Adaptive Sampling. Воно використовує штучний інтелект для автономного позиціонування приладу та аналізу даних про мінерали, які можуть становити науковий інтерес. PIXL виступає своєрідним фільтром та дає змогу ухвалювати рішення щодо справді важливих об’єктів для вивчення без втручання людини, що значно прискорює процес збирання найцінніших наукових даних.

ШІ обладнані прилади: LIBS (Laser-Induced Breakdown Spectroscopy), для автономного аналізу гірських порід, і SPOC (Soil Property and Object Classification), що досліджує властивості ґрунту та об’єкти навколишнього середовища. Крім цього, Perseverance оснащено ШІ-системою AEGIS (Autonomous Exploration for Gathering Increased Science) для збору наукових даних під час вивчення планет. А об’єднувати отримані в такий спосіб масиви інформації із даними з кількох інших джерел дає змогу алгоритм Nested Fusion. Спочатку розроблений для марсоходів, він має великі перспективи застосування на Землі — там, де вченим доводиться працювати з великими обсягами інформації.

Ingenuity

Слідом за Perseverance на Марс доставили невеликий вертоліт Ingenuity, що став першим літальним апаратом, який здійснив керований політ на іншій планеті. Його планували використовувати тільки для п’яти експериментальних польотів, але за фактом він виконав їх у кілька разів більше і залишався на поверхні Марса майже три роки замість запланованого місяця.

Поспостерігайте за справді унікальним польотом Ingenuity — одним із 72, які він здійснив:

У Лабораторії реактивного руху (JPL) NASA розробили алгоритми для систем навігації та контролю за цим літальним апаратом. Завдяки штучному інтелекту Ingenuity міг самостійно вибирати місця посадки у найскладніших умовах та очищатися після пилових бур.

Якийсь час Ingenuity служив повітряним розвідником при марсоході Perseverance — а саме, допомагав знаходити потенційно цікаві для вивчення області та прокладати безпечні маршрути.

Говорячи про справді просунуті в плані штучного інтелекту Perseverance, Curiosity та Ingenuity, не можна не згадати їхніх попередників, які першими отримали початкові інтелектуальні функції.

Sojourner, Spirit та Opportunity

Порівняно з Perseverance, у марсохода Sojourner, запущеного 1997 року, був досить скромний ШІ-компонент. Однак саме в той час було закладено принципи використання ШІ та автоматизації у місіях, присвячених дослідженню далеких планет.

Штучний інтелект Sojourner базувався на математичній моделі, яка імітувала поведінку тварин під час уникнення або втечі від небезпеки. У своєму пресрелізі 1997 року NASA так описало цей марсохід: “Уперше робот, що “думає”, оснащений складними лазерними очима й автоматизованим програмуванням, реагує на незаплановані події на поверхні іншої планети”.

Марсоходи-близнюки Spirit та Opportunity вирушили в космос з різницею в один місяць через шість років після Sojourner, у межах програми Mars Exploration Rover. Для дослідження різних регіонів Марса вони були обладнані більш “вдосконаленим штучним інтелектом”, який дав їм змогу аналізувати зображення й самотужки будувати маршрути так, щоб уникати перешкод. Спеціальний алгоритм використовував стереокамери для створення 3D-мапи місцевості, за якою потім обчислювали потенційні перепони. Як повідомили в NASA, саме Spirit й Opportunity вдалося знайти переконливі докази того, що раніше на Марсі було більш волого і кліматичні умови були сприятливими для підтримки мікробного життя.

ШІ для пошуку екзопланет

Екзопланетами називають будь-які планети за межами нашої Сонячної системи. Людству вже вдалося виявити трохи більше 5800 екзопланет, хоча насправді їхня кількість може досягати мільярда. Найближча до Землі, Проксима Центавра b, розташована на відстані чотирьох світлових років. Через значну віддаленість пошуки нових екзопланет дуже складні, але розвиток технологій штучного інтелекту дозволив ученим дещо спростити це завдання.

Дані з Kepler — база для пошуку нових екзопланет

Космічний телескоп Kepler вирушив у космос шукати схожі на Землю планети в березні 2009-го, відпрацював дев’ять років поспіль і допоміг ученим ідентифікувати понад 2000 екзопланет. Хоча місії із ним завершені, зібрані під час них дані досі допомагають знаходити нові. Раніше великі масиви інформації обробляли люди: витрачали на це багато часу і часто помилялись. Зараз значну частину робіт виконують спеціально навчені алгоритми. Один із них — ExoMiner — повністю імітує ручний процес, переглядаючи каталоги планет швидше й ефективніше за людину.

ExoMiner являє собою нейронну мережу, яка безперервно навчається і вміє визначати, яку частину зорі перекриває планета, і як довго триває її транзит. Іншими словами, скільки часу їй потрібно, щоб перетнути диск зорі. У теорії, тимчасове зниження яскравості зорь зумовлене тим, що повз них транзитом проходить якась невідома планета. Що люди, що алгоритм ExoMiner аналізували цю криву, причому ШІ робив це в рази точніше за людину, яка може помилятися, неправильно або упереджено трактувати дані. Завдяки ExoMiner за короткий час до каталогу було додано понад 300 планет.

Оператором Kepler є NASA, проте отримані за допомогою цього космічного телескопа дані доступні іншим організаціям. Автори проєкту Planet Hunter також використовують ШІ та машинне навчання, буквально прочісуючи космос для пошуку нових екзопланет. За проєктом стоять астрономи з британського Університету Ворика, які створили модель машинного навчання, здатну виявляти віддалені від нас планети, аналізуючи величезні добірки відомостей про десятки тисяч кандидатів.

Після Kepler місію з пошуку схожих на Землю планет продовжив TESS (Transiting Exoplanet Survey Satellite). У цього супутника чотири телескопи на борту, але менша дальність виявлення, проте обробка здобутих ним даних за допомогою ШІ, як і раніше, приносить вражаючі результати. Саме в такий спосіб кілька вчених і астрономів-аматорів спільно виявили зоряне тріо TIC 290061484. Використовуючи машинне навчання, співробітники Центру космічних польотів імені Годдарда в Грінбелті відфільтрували величезні масиви даних про зоряне світло від TESS, щоб виявити закономірності затемнення. Після цього кілька цивільних учених виконали більш глибоку фільтрацію, покладаючись на багаторічний досвід і неформальне навчання, щоб знайти особливо цікаві випадки.

James Webb

Найпотужніший, найскладніший і найдорожчий телескоп із будь-коли створених регулярно відправляє на Землю зображення космосу в інфрачервоному діапазоні. Це дає йому змогу зазирати у найвіддаленіші куточки Всесвіту, чого не робили попередники (той самий Hubble). Бачити далі не завжди означає бачити більше. Але у випадку з James Webb усе саме так, і не останню роль у цьому відіграють штучний інтелект і машинне навчання. Вони щодня аналізують понад 235 Гб наукових даних, причому роблять це кратно швидше за людину, яка використовує традиційні підходи. І якщо на якісь завдання вчені витрачали тижні, зараз вони можуть присвятити цей час складнішому аналізу.

Інструмент Morpheus буквально розбирає зображення на пікселі та виявляє серед них структури, які зазвичай пропускають під час ручного аналізу. ШІ покращує необроблені зображення, коригуючи шуми й підвищуючи чіткість, і також об’єднує знімки, зроблені різними інструментами та у різних спектральних діапазонах. А ШI-інструменти на кшталт Jdaviz візуалізують набори даних у різних режимах спостережень, допомагаючи швидше добувати з них корисні ідеї.

Штучному інтелекту байдуже, дані з якого телескопа аналізувати — головне, щоб вони були різноманітними і в достатній кількості. Зате дуже важливо, як навчена модель і наскільки точно вона знаходить закономірності, важкодоступні для ручного аналізу. Це підтверджує свіжий приклад учених з японського Університету Осака. Вони створили модель глибокого навчання для аналізу даних одразу з кількох телескопів, включно з James Webb, і знайшли подібні на бульбашки структури, відсутні в астрономічних базах. Йдеться про “бульбашки Спітцера”, вивчення яких допоможе краще зрозуміти процеси утворення зір та еволюції галактик.

Майбутнє штучного інтелекту в космічній астрономії

Майбутнє штучного інтелекту і машинного навчання в космічній астрономії видається обнадійливим. З огляду на те, що теперішні та майбутні космічні телескопи збиратимуть ще більше даних, впровадження цих технологій стане абсолютно необхідним для ефективного аналізу та вилучення цінних знань. Алгоритми ШІ будуть ще швидше й якісніше визначати закономірності та аномалії, виявляти слабкі сигнали, що дають змогу відкривати нові екзопланети й ознаки життя в космосі.

Експерти прогнозують, що саме розвиток штучного інтелекту і машинного навчання в найближчі п’ять років у кілька разів збільшить кількість знайдених екзопланет. А космічний телескоп Nancy Grace Roman, запуск якого запланований на 2027-й, виявлятиме екзопланети безпосередньо, минаючи етап ручної перевірки. Також очікується поява автономних обсерваторій, здатних приймати рішення в режимі реального часу та оптимізувати використання ресурсів, що сприятиме оперативнішим спостереженням за швидкоплинними космічними подіями.