教授自动驾驶汽车安全驾驶的计算机算法能帮助识别附近的小行星或发现宇宙中的生命吗？NASA的科学家正试图通过与英特尔、IBM和谷歌等人工智能(AI)的先驱合作，并将先进的计算机算法应用于空间科学中的问题，来发现这一点。

机器学习是人工智能的一种。它描述了最广泛使用的算法和其他工具，这些工具使计算机能够从数据中学习，从而比人类更快、更准确地进行预测和分类。因此，机器学习已经被广泛用于帮助科技公司识别照片中的人脸或预测人们喜欢的电影。但是一些科学家认为该应用远远超出了地球。

马里兰州格林贝尔特的NASA戈达德太空飞行中心的天体生物学家Giada Arney希望机器学习能够帮助她和她的同事在未来的望远镜和天文台(比如NASA的James Webb Space)收集的大量数据中找到生命的来源。

“这些技术非常重要，尤其是对于大型数据集，尤其是在系外行星领域，”Arney说。“因为我们将从未来的观测中获得的数据将是稀疏和嘈杂的。真的很难理解。因此，使用这样的工具对我们有很大的帮助潜力。”

为了帮助像阿恩尼这样的科学家构建最先进的研究工具，美国宇航局的前沿开发实验室(Frontier Development Lab，简称FDL)每年夏天召集技术和太空创新者进行为期八周的头脑风暴，开发计算机代码。这个为期四年的项目是由SETI研究所和美国宇航局艾姆斯研究中心合作完成的。这两个位于硅谷的孵化器汇集了人才，加速突破性技术的发展。

在美国宇航局的版本中，FDL将科学和计算机工程的早期博士生与来自美国宇航局、学术界和一些世界上最大的技术公司的专家配对。合作公司贡献了硬件、算法、超级计算资源、资金、设施和主题专家的各种组合。FDL开发的所有AI技术都将公开，其中一些技术已经帮助识别小行星、发现行星和预测极端太阳辐射事件。

“FDL感觉像是一些非常优秀的音乐人。他们在车库里用不同的乐器聚在一起，表演了一场即兴表演，发现了一些非常酷的东西，然后说：“嘿，我们这里有一个乐队。“美国宇航局戈达德的Shawn Domagal-Goldman说：天体生物学家和Arney在2018年监督了FDL团队。他们的团队为科学家开发了一种机器学习技术，旨在研究系外行星或太阳系外行星的大气。

这些戈达德科学家希望有一天他们能够利用先进的机器学习技术，根据大气中分子发射或吸收的光的波长，快速解读揭示系外行星化学性质的数据。由于到目前为止已经发现了成千上万颗系外行星，对于哪些化学物质与宜居性最相关，已经做出了快速的决定。

为此，FDL团队的Arney和Domagal-Goldman在谷歌AI的技术支持下提供了建议，谷歌AI部署了哈勃太空望远镜，这是一种被称为“神经网络”的技术。团队想知道贝叶斯神经网络是否能做得更好。

科布说：“我们立即发现，在识别WASP-12b大气中各种分子的丰度方面，神经网络比随机森林更准确。”

但是除了更好的准确性，贝叶斯技术还提供了同样重要的东西：它可以告诉科学家预测的确定性。Domagal-Goldman说：“在数据不足以给出真实准确结果的地方，模型更适合知道不确定的答案，这对我们相信这些预测非常重要。”说。

虽然团队开发的技术还在开发中，但现实世界中已经采用了其他FDL技术。到2017年，FDL参与者开发了一个机器学习程序，可以快速创建附近小行星的三维模型，从而准确估计它们的形状、大小和旋转速度。这些信息对于美国宇航局探测和偏转威胁地球的小行星非常重要。

传统上，天文学家使用简单的计算机软件来开发三维模型。该软件分析了许多移动小行星的雷达测量值，然后帮助科学家根据雷达信号的变化推断它们的物理属性。

0217013817990.png" style="max-width: 100%;" />

SETI总裁兼首席执行官比尔戴蒙德(Bill Diamond)说：“具有标准计算资源的熟练天文学家可以在一到三个月内塑造出一颗小行星。” “所以研究团队的问题是：我们可以加快速度吗?”

答案是肯定的。该团队包括法国，南非和美国的学生，以及来自学术界和科技公司Nvidia的导师，他们开发了一种算法，可以在短短四天内完成小行星的渲染。如今，波多黎各阿雷西博天文台的天文学家正在使用这项技术，对小行星进行几乎实时的形状建模。

小行星建模以及外行星大气分析是两个FDL示例，这些示例显示了将复杂算法应用到NASA 100多个任务收集的大量数据中的希望。

正如NASA的物理学家Madhulika(Lika)Guhathakurta所指出的那样，航天局每15秒钟从其航天器中收集大约2 GB的数据(并且还在不断增长)。她说：“但是我们仅分析了一部分数据，因为我们的人员，时间和资源有限。这就是为什么我们需要更多地利用这些工具的原因。”

Guhathakurta领导的任务专注于理解和预测太阳对地球，技术和太空宇航员的影响，在过去的三年中，他一直在FDL工作，并且是制定该计划的主要架构师。她在2018年支持了一个团队，该团队解决了NASA太阳动力学天文台(SDO)上传感器故障的问题，该航天器用于研究太阳对地球和近地空间的影响。

早在2014年，即该任务发射四年后，一个传感器就停止返回与极端紫外线(EUV)辐射水平有关的数据，该信息与地球外部大气层的膨胀相关，因此影响了包括国际空间在内的卫星的寿命站。因此，斯坦福大学和阿姆斯特丹大学的计算机科学博士生以及IBM，洛克希德·马丁公司和SETI等组织的导师开发了一种技术，该技术本质上可以填补损坏的传感器中的缺失数据。他们的计算机程序可以通过分析其他SDO仪器的数据以及损坏的传感器在其工作的四年中收集的旧数据来做到这一点，根据其他SDO仪器在任何给定时间观察到的信号推断传感器将检测到的EUV辐射水平。“我们基本上生成了一个虚拟传感器，” Guhathakurta说。

这种工具的潜力并不会在任何人身上失去。SETI负责人戴蒙德(Diamond)设想了将这些虚拟工具集成到航天器中的未来，这种做法将使任务更轻，更简单，因此成本更低。Domagal-Goldman和Arney设想了未来的系外行星飞行任务，其中嵌入到航天器中的AI技术足够智能，可以做出实时科学决策，从而节省了与地球科学家进行交流所需的许多时间。

Arney说：“人工智能方法将通过在棘手的任务上进行大量的初始工作来帮助我们从大脑中释放处理能力。” “但是这些方法不会很快取代人类，因为我们仍然需要检查结果。”

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

---

免责声明： 本文由用户上传，如有侵权请联系删除！

---

标签：