Il SETI Institute e il Frontier Development Lab (FDL.ai) annunciano il lancio di SpaceML.org. SpaceML è una risorsa che rende disponibili set di dati pronti per l'intelligenza artificiale ai ricercatori che lavorano nella scienza e nell'esplorazione dello spazio, consentendo una rapida sperimentazione e riproducibilità.

SpaceML Repo è una cassetta degli attrezzi per l'apprendimento automatico e una risorsa gestita dalla comunità per consentire ai ricercatori di impegnarsi in modo più efficace nell'intelligenza artificiale per la scienza e l'esplorazione dello spazio. È progettato per aiutare a colmare il divario tra l'archiviazione dei dati, condivisione del codice e analisi lato server (cloud).

SpaceML.org include set di dati pronti per l'analisi, progetti di scienze spaziali e strumenti MLOPS progettati per velocizzare i flussi di lavoro AI esistenti a nuovi casi d'uso. I set di dati e i progetti si basano su cinque anni di applicazioni di intelligenza artificiale all'avanguardia completate da team FDL di dottori di ricerca all'inizio della carriera in AI/ML e domini scientifici multidisciplinari in collaborazione con la NASA, I partner commerciali di ESA e FDL. Le aree di sfida includono scienze della terra, esplorazione lunare, astrobiologia, difesa planetaria, medicina esplorativa, risposta al disastro, eliofisica e meteorologia spaziale.

"Le applicazioni più efficaci e utili dell'intelligenza artificiale e delle tecniche di apprendimento automatico richiedono set di dati adeguatamente preparati, organizzato e strutturato per tali approcci, " ha detto Bill Diamante, CEO dell'Istituto SETI. "Cinque anni di ricerca FDL in un'ampia gamma di domini scientifici hanno consentito la creazione di una serie di set di dati pronti per l'analisi che siamo lieti di mettere ora a disposizione della più ampia comunità di ricerca".

FDL applica le tecnologie di intelligenza artificiale e machine learning (ML) alla scienza per spingere le frontiere della ricerca e sviluppare nuovi strumenti per aiutare a risolvere alcune delle più grandi sfide dell'umanità, sia qui sulla Terra che nello spazio.

I progetti ospitati su SpaceML.org per la comunità di ricerca includono:

• Un progetto che affronta il problema di come utilizzare il ML per autocalibrare gli strumenti spaziali utilizzati per osservare il Sole. Dopo anni di esposizione alla nostra stella, questi strumenti si degradano nel tempo, un po' come la cataratta. La ricalibrazione richiede costosi razzi sonda. Usando ML, il team è stato in grado di aumentare i dati, in effetti "rimuovendo" la cataratta.

  "L'ostacolo per molti ricercatori iniziare a utilizzare il set di dati SDOML, e per iniziare a sviluppare soluzioni ML, è l'attrito che sperimentano al primo avvio, " ha detto Mark Cheung, Sr. Staff Physicist presso Lockheed Martin e Principal Investigator per l'Osservatorio della dinamica solare della NASA/Assemblea di imaging atmosferica. "SpaceML offre loro un balzo in avanti riducendo lo sforzo necessario per l'analisi esplorativa dei dati e l'implementazione del modello. Dimostra anche la riproducibilità in azione".

• Un altro progetto dimostra come la riduzione dei dati di una rete di sorveglianza meteorica nota come CAMS (Cameras for Allsky Meteor Surveillance) potrebbe essere automatizzata per identificare nuovi ammassi di pioggia di meteoriti, potenzialmente le tracce delle antiche comete che attraversano la Terra. Da quando il gasdotto AI è stato messo in atto, sono stati scoperti in totale nove nuovi sciami meteorici tramite CAMS.

  "SpaceML ha contribuito ad accelerare l'impatto coinvolgendo un team di scienziati cittadini che hanno implementato un Active Learning interpretabile e un classificatore di meteoriti basato sull'intelligenza artificiale per automatizzare gli insight, consentendo agli astronomi la ricerca focalizzata per il progetto SETI CAMS, " disse Siddha Ganju, Architetto AI per guida autonoma e strumenti medici, Nvidia (membro fondatore delle iniziative CAMS e Worldview Search di SpaceML). "Durante SpaceML abbiamo (1) standardizzato la pipeline di elaborazione per elaborare il set di dati meteorico decennale raccolto da CAMS, e, stabilito il classificatore di meteore all'avanguardia con una strategia di potenziamento unica; (2) ha consentito l'apprendimento attivo nella pipeline CAMS per automatizzare gli insight; e, (3) aggiornato il portale NASA CAMS Meteor Shower che ora include punti di riferimento celesti e uno strumento di comunicazione scientifica. E la cosa migliore è che i futuri cittadini scienziati possono partecipare al progetto CAMS basandosi su modelli formati pubblicamente accessibili, script, e strumenti web."

  SpaceML ospita anche INARA (Intelligent ExoplanNET Atmospheric RetrievAI), una pipeline per il recupero atmosferico basata su un set di dati sintetizzato di tre milioni di spettri planetari, per rilevare prove di una possibile attività biologica nelle atmosfere degli esopianeti, in altre parole, "Siamo soli?"

  SpaceML.org cerca di curare un archivio centrale di taccuini di progetto e set di dati generati da progetti simili a quelli sopra elencati. Questi repository di progetto contengono un notebook "Co-Lab" di Google che guida gli utenti attraverso il set di dati e include un piccolo frammento di dati per un rapido test drive prima di impegnarsi nell'intero set di dati (che sono invariabilmente molto grandi).

  I progetti ospitano anche il set di dati completo utilizzato per le sfide, che può essere reso disponibile su richiesta. Inoltre, SpaceML cerca di facilitare la gestione di nuovi set di dati che risultano dalla ricerca in corso e, a tempo debito, organizza tornei per invitare a migliorare i modelli (e i dati) ML rispetto a benchmark noti.

  "Eravamo preoccupati su come rendere più riproducibile la nostra ricerca sull'IA, " ha detto James Parr, Direttore e CEO della FDL, Tecnologie Trillium. "Ci siamo resi conto che il modo migliore per farlo era rendere i dati facilmente accessibili, ma anche che dovevamo semplificare sia il processo di onboarding, sperimentazione iniziale e processo di adattamento del flusso di lavoro."

  "Il problema con la riproducibilità dell'IA non è necessariamente, 'non inventato qui' - è di più, "non c'è abbastanza tempo nemmeno per provarci." Abbiamo pensato che se potessimo condividere i dati pronti per l'analisi, consentire una rapida sperimentazione lato server e un buon controllo della versione, sarebbe la cosa migliore per aiutare a far sì che questi strumenti vengano raccolti dalla comunità a beneficio di tutti."

  FDL lancia il suo programma 2021 il 16 giugno, 2021, con ricercatori negli Stati Uniti che affrontano sette sfide nei settori dell'eliofisica, Salute degli astronauti, Scienze planetarie e Scienze della Terra. Il programma culminerà a metà agosto, con i team che mostrano il loro lavoro in un evento virtuale.