Peserta program NASA Frontier Development Laboratory pada 17 Agustus mempresentasikan proyek tentang penggunaan pembelajaran mesin di luar angkasa. Secara khusus, tim menunjukkan sistem kecerdasan buatan untuk menentukan orbit komet yang berpotensi berbahaya dan memperbaiki peta permukaan bulan. IEEE Spectrum membicarakannya.
Perusahaan seperti Facebook atau Google menggunakan pembelajaran mesin untuk menerjemahkan teks atau mengenali orang di foto, tetapi teknik pembelajaran mesin digunakan tidak hanya dalam produk khusus, tetapi juga untuk memecahkan masalah ilmiah. Dengan bantuan program Frontier Development Laboratory, yang diselenggarakan untuk tahun kedua, NASA sedang menjajaki kemungkinan algoritma kecerdasan buatan untuk eksplorasi luar angkasa. Setiap musim panas, badan tersebut mengumpulkan sekelompok kecil peneliti untuk menangani masalah penelitian luar angkasa yang penting.
Secara total, tim mengerjakan lima proyek - melindungi planet dari komet periode panjang, mengidentifikasi kawah bulan, membuat model tiga dimensi asteroid dekat Bumi, mempelajari pengaruh heliosfer dan cuaca antariksa pada atmosfer dan magnetosfer Bumi, dan menentukan penyebab jilatan api matahari dan lontaran massa koronal. Pada konferensi Penutupan di Santa Clara, yang berlangsung Kamis lalu, para ilmuwan mempresentasikan hasil pertama.
IEEE Spectrum berbicara tentang hasil kerja kedua tim. Tim peneliti pertama menggunakan data dari survei Cameras for Allsky Meteor Surveillance (CAMS) untuk memprediksi dari hujan meteor ketika komet periode panjang berikutnya akan terbang di dekat Bumi. Sebagai bagian dari CAMS, enam puluh kamera video yang ditempatkan di tiga stasiun mengamati langit mencari meteor yang redup. Mereka menemukan hujan meteor dan mencoba menghubungkannya dengan komet yang baru ditemukan yang mungkin telah meninggalkan puing-puing ini. Sebuah tim ilmuwan dari Frontier Development Laboratory telah mengembangkan jaringan saraf yang membedakan meteor yang bergerak cepat dari awan, kunang-kunang, dan pesawat (biasanya dilakukan dengan tangan), lalu mengelompokkan gambar sesuai waktu. Dengan demikian, algoritme menemukan hujan meteor yang sebelumnya tidak diketahui.
Dalam 90 persen kasus, prediksi jaringan saraf, yang diuji selama dua bulan, bertepatan dengan klasifikasi objek oleh manusia. Dalam proyek percontohan, tim menganalisis sekitar satu juta meteor. Namun, beberapa ahli skeptis tentang proyek tersebut: khususnya, mereka menuntut bukti bahwa hujan meteor bukanlah kebisingan dalam data, dan juga bahwa itu adalah sisa-sisa komet, dan bukan asteroid atau sumber lain. Salah satu pencipta proyek, Marcelo de Cicco dari Institut Metrologi Nasional Brasil, setuju bahwa jaringan saraf masih perlu ditingkatkan.
Para penulis proyek kedua bekerja dengan data dari stasiun antarplanet Lunar Reconnaisance Orbiter (LRO) untuk membuat peta permukaan bulan yang lebih rinci. Para ilmuwan pertama kali menggunakan informasi dari Lunar Orbiter Laser Altimeter (LOLA) untuk membuat peta ketinggian digital satelit. Namun, itu memiliki satu kelemahan - itu berisi artefak. Setiap kali LRO mengorbit Bulan, ia sedikit menyimpang dari orbit idealnya. Karena itu, pengukuran tidak akurat dan bebatuan serta retakan muncul di tempat yang tidak semestinya.
Untuk mengatasi masalah ini, para peneliti mencocokkan peta dengan gambar dari Narrow Angle Camera (NAC), yang merekam sinar matahari yang dipantulkan dari permukaan bulan. Dengan menggunakan algoritme pembelajaran mesin, tim menyaring artefak dan membuat peta satelit bumi yang lebih akurat. Para ilmuwan juga telah mengajarkan sistem kecerdasan buatan untuk membedakan kawah dari bayangan dan benda serupa. Akurasi program adalah 98 persen.
Para astronom semakin banyak menggunakan jaringan saraf dalam pekerjaan mereka dalam beberapa tahun terakhir. Misalnya, algoritme komputer sudah membantu para ilmuwan menentukan komposisi atmosfer exoplanet dan melacak pergerakan bintang di galaksi.
Video promosi:
Christina Ulasovich
