Gli stessi algoritmi informatici che insegnano alle auto autonome a guidare in sicurezza potrebbero aiutare a identificare gli asteroidi vicini o a scoprire la vita nell'universo? Gli scienziati della NASA stanno cercando di capirlo collaborando con i pionieri dell'intelligenza artificiale (AI), aziende come Intel, IBM e Google per applicare algoritmi informatici avanzati ai problemi della scienza spaziale.

L'apprendimento automatico è un tipo di intelligenza artificiale. Descrive gli algoritmi e gli altri strumenti più utilizzati che consentono ai computer di apprendere dai dati per fare previsioni e classificare gli oggetti in modo molto più rapido e accurato di quanto possa fare un essere umano. Di conseguenza, l'apprendimento automatico è ampiamente utilizzato per aiutare le aziende tecnologiche a riconoscere i volti nelle foto o prevedere quali film apprezzerebbero le persone. Ma alcuni scienziati vedono applicazioni ben oltre la Terra.

Giada Arney, un astrobiologo del Goddard Space Flight Center della NASA a Greenbelt, Maryland, spera che l'apprendimento automatico possa aiutare lei e i suoi colleghi a trovare un ago della vita in un pagliaio di dati che verranno raccolti da futuri telescopi e osservatori come il James Webb Space Telescope della NASA.

"Queste tecnologie sono molto importanti, soprattutto per i grandi set di dati e soprattutto nel campo degli esopianeti, " Arney dice. "Perché i dati che otterremo dalle osservazioni future saranno scarsi e rumorosi. Sarà davvero difficile da capire. Quindi l'utilizzo di questo tipo di strumenti ha così tanto potenziale per aiutarci".

Per aiutare scienziati come Arney a creare strumenti di ricerca all'avanguardia, Laboratorio di sviluppo di frontiera della NASA, o FDL, riunisce innovatori tecnologici e spaziali per otto settimane ogni estate per fare brainstorming e sviluppare codice per computer. Il programma di quattro anni è una partnership tra il SETI Institute e l'Ames Research Center della NASA, entrambi con sede nella Silicon Valley, dove abbondano gli incubatori di startup che mettono insieme persone di talento per accelerare lo sviluppo di tecnologie innovative.

Nella versione della NASA, FDL abbina studenti di dottorato in scienze e ingegneria informatica all'inizio della carriera con esperti dell'agenzia spaziale, accademico, e alcune delle più grandi aziende tecnologiche del mondo. Le aziende partner contribuiscono con varie combinazioni di hardware, algoritmi, risorse di supercalcolo, finanziamento, strutture ed esperti in materia. Tutte le tecniche di intelligenza artificiale sviluppate presso FDL saranno disponibili al pubblico, con alcuni che stanno già aiutando a identificare gli asteroidi, trovare pianeti, e prevedere eventi estremi di radiazione solare.

"FDL si sente come dei musicisti davvero bravi con strumenti diversi che si riuniscono per una jam session in garage, trovare qualcosa di veramente bello, e dicendo, "Ehi, abbiamo una band qui, "" dice Shawn Domagal-Goldman, un astrobiologo Goddard della NASA che, insieme ad Arney, ha guidato un team FDL nel 2018. Il loro team ha sviluppato una tecnica di apprendimento automatico per gli scienziati che mirano a studiare le atmosfere degli esopianeti, o pianeti oltre il nostro sistema solare.

Questi scienziati di Goddard sperano di poter un giorno utilizzare tecniche avanzate di apprendimento automatico per interpretare rapidamente i dati che rivelano la chimica degli esopianeti in base alle lunghezze d'onda della luce emessa o assorbita dalle molecole nelle loro atmosfere. Poiché finora sono stati scoperti migliaia di esopianeti, prendere decisioni rapide su quali hanno la chimica più promettente associata all'abitabilità potrebbe aiutare a selezionare i candidati solo a pochi che meritano di più, e costoso, indagine.

A tal fine, il team FDL Arney e Domagal-Goldman hanno aiutato a consigliare, con il supporto tecnico di Google AI, ha implementato una tecnica nota come "rete neurale". Questa tecnologia può risolvere problemi super complicati in un processo analogo al funzionamento del cervello. In una rete neurale, miliardi di "neuroni, " che sono cellule nervose nel cervello che ci aiutano a formare ricordi e prendere decisioni, connettersi con miliardi di altri per elaborare e trasmettere informazioni. Studente laureato in informatica dell'Università di Oxford, Adam Cobb, insieme a Michael D. Himes, uno studente laureato in fisica dell'Università della Florida centrale, ha condotto uno studio per testare la capacità di una rete neurale "bayesiana" rispetto a una tecnica di apprendimento automatico ampiamente utilizzata nota come "foresta casuale". Un altro gruppo di ricercatori non associato a FDL aveva già utilizzato quest'ultimo metodo per analizzare l'atmosfera di WASP-12b, un esopianeta scoperto nel 2008, sulla base di montagne di dati raccolti dal telescopio spaziale Hubble della NASA. La rete neurale bayesiana potrebbe fare di meglio, la squadra si chiedeva?

"Abbiamo scoperto subito che la rete neurale aveva una precisione migliore rispetto alla foresta casuale nell'identificare l'abbondanza di varie molecole nell'atmosfera di WASP-12b, "dice Cobb.

Ma oltre a una migliore precisione, la tecnica bayesiana offriva qualcosa di altrettanto critico:poteva dire agli scienziati quanto fosse certa della sua previsione. "Nei posti in cui i dati non erano abbastanza buoni per dare un risultato davvero accurato, questo modello era più bravo a sapere che non era sicuro della risposta, che è davvero importante se vogliamo fidarci di queste previsioni, " dice Domagal-Goldman.

Mentre la tecnica sviluppata da questo team è ancora in fase di sviluppo, altre tecnologie FDL sono già state adottate nel mondo reale. Entro il 2017, I partecipanti FDL hanno sviluppato un programma di apprendimento automatico in grado di creare rapidamente modelli 3D di asteroidi vicini, stimare accuratamente le loro forme, dimensioni, e velocità di rotazione. Queste informazioni sono fondamentali per gli sforzi della NASA per rilevare e deviare gli asteroidi minacciosi dalla Terra.

Tradizionalmente, gli astronomi usano semplici software per computer per sviluppare modelli 3D. Il software analizza molte misurazioni radar di un asteroide in movimento e quindi aiuta gli scienziati a dedurre le sue proprietà fisiche in base ai cambiamenti nel segnale radar.

"Un abile astronomo con risorse di calcolo standard, potrebbe modellare un singolo asteroide in uno o tre mesi, "dice Bill Diamante, Presidente e amministratore delegato di SETI. "Quindi la domanda per il team di ricerca era:possiamo accelerare?"

La risposta è stata sì. Il gruppo, che comprendeva studenti francesi, Sud Africa e Stati Uniti, oltre a mentori del mondo accademico e della società tecnologica Nvidia, sviluppato un algoritmo in grado di riprodurre un asteroide in appena quattro giorni. Oggi, la tecnica è utilizzata dagli astronomi dell'Osservatorio di Arecibo a Porto Rico per modellare la forma degli asteroidi quasi in tempo reale.

La modellazione degli asteroidi, insieme all'analisi dell'atmosfera esoplanetaria, sono un paio di esempi FDL che mostrano la promessa nell'applicazione di algoritmi sofisticati ai volumi di dati raccolti dalle oltre 100 missioni della NASA.

Come osserva l'eliofisico della NASA Madhulika (Lika) Guhathakurta, l'agenzia spaziale raccoglie circa 2 gigabyte di dati (in crescita) ogni 15 secondi dalla sua flotta di veicoli spaziali. "Ma analizziamo solo una frazione di quei dati, perché abbiamo persone limitate, tempo e risorse. Ecco perché dobbiamo utilizzare di più questi strumenti, " lei dice.

Un vantaggio in missioni incentrate sulla comprensione e la previsione degli effetti del sole sulla Terra, tecnologia e astronauti nello spazio, Guhathakurta è stato con FDL negli ultimi tre anni ed è stato un architetto chiave nella definizione di questo programma. Ha supportato un team nel 2018 che ha risolto un problema con un sensore malfunzionante sul Solar Dynamics Observatory (SDO) della NASA, un veicolo spaziale che studia l'influenza del sole sulla Terra e sullo spazio vicino alla Terra.

Già nel 2014, appena quattro anni dopo il lancio della missione, un sensore ha smesso di restituire i dati relativi ai livelli di radiazioni ultraviolette estreme (EUV), informazioni che sono correlate a un'espansione dell'atmosfera esterna della Terra e quindi influenzano la longevità dei satelliti, compresa la Stazione Spaziale Internazionale. Così gli studenti di dottorato in informatica della Stanford University e dell'Università di Amsterdam, tra gli altri, con mentori di organizzazioni tra cui IBM, Lockheed Martin, e SETI, sviluppato una tecnica che potrebbe, essenzialmente, compilare i dati mancanti dal sensore rotto. Il loro programma per computer potrebbe farlo analizzando i dati di altri strumenti SDO, insieme ai vecchi dati raccolti dal sensore rotto durante i quattro anni in cui ha funzionato, per dedurre quali livelli di radiazione EUV quel sensore avrebbe rilevato in base a ciò che gli altri strumenti SDO stavano osservando in un dato momento. "Abbiamo generato, fondamentalmente, un sensore virtuale, " dice Guhathakurta.

Il potenziale di questo tipo di questo strumento non è perso per nessuno. capo SETI, Diamante, immagina un futuro in cui questi strumenti virtuali sono incorporati su veicoli spaziali, una pratica che permetterebbe di più leggero, missioni meno complesse e quindi più economiche. Domagal-Goldman e Arney prevedono missioni future sugli esopianeti in cui le tecnologie AI incorporate nei veicoli spaziali sono abbastanza intelligenti da prendere decisioni scientifiche in tempo reale, risparmiando le molte ore necessarie per comunicare con gli scienziati sulla Terra.

"I metodi di intelligenza artificiale ci aiuteranno a liberare la potenza di elaborazione dal nostro cervello eseguendo gran parte del lavoro iniziale su compiti difficili, " dice Arney. "Ma questi metodi non sostituiranno presto gli umani, perché dovremo ancora verificare i risultati".