p Será que os mesmos algoritmos de computador que ensinam os carros autônomos a dirigir com segurança podem ajudar a identificar asteróides próximos ou descobrir vida no universo? Cientistas da NASA estão tentando descobrir isso em parceria com pioneiros em inteligência artificial (IA) - empresas como a Intel, IBM e Google - para aplicar algoritmos de computador avançados a problemas de ciência espacial. p O aprendizado de máquina é um tipo de IA. Ele descreve os algoritmos mais amplamente usados ​​e outras ferramentas que permitem aos computadores aprender com os dados para fazer previsões e categorizar objetos com muito mais rapidez e precisão do que um ser humano pode. Consequentemente, O aprendizado de máquina é amplamente usado para ajudar empresas de tecnologia a reconhecer rostos em fotos ou prever quais filmes as pessoas gostariam de ver. Mas alguns cientistas vêem aplicações muito além da Terra.

p Giada Arney, astrobiólogo do Goddard Space Flight Center da NASA em Greenbelt, Maryland, espera que o aprendizado de máquina possa ajudar ela e seus colegas a encontrar uma agulha de vida em um palheiro de dados que serão coletados por futuros telescópios e observatórios, como o telescópio espacial James Webb da NASA.

p “Essas tecnologias são muito importantes, especialmente para grandes conjuntos de dados e especialmente no campo de exoplanetas, "Arney diz." Porque os dados que vamos obter de observações futuras serão esparsos e barulhentos. Vai ser muito difícil entender. Portanto, usar esse tipo de ferramenta tem muito potencial para nos ajudar. "

p Para ajudar cientistas como Arney a construir ferramentas de pesquisa de ponta, Laboratório de Desenvolvimento de Fronteira da NASA, ou FDL, reúne inovadores de tecnologia e espaço por oito semanas a cada verão para debater e desenvolver código de computador. O programa de quatro anos é uma parceria entre o Instituto SETI e o Centro de Pesquisa Ames da NASA, ambas baseadas no Vale do Silício, onde incubadoras de incubação que reúnem pessoas talentosas para acelerar o desenvolvimento de tecnologias inovadoras são abundantes.

p Na versão da NASA, A FDL reúne estudantes de doutorado em ciências e engenharia da computação em início de carreira com especialistas da agência espacial, academia, e algumas das maiores empresas de tecnologia do mundo. As empresas parceiras contribuem com várias combinações de hardware, algoritmos, recursos de supercomputação, financiamento, instalações e especialistas no assunto. Todas as técnicas de IA desenvolvidas na FDL estarão disponíveis ao público, com alguns já ajudando a identificar asteróides, encontrar planetas, e prever eventos extremos de radiação solar.

p "FDL parece que alguns músicos realmente bons com diferentes instrumentos se juntam para uma sessão de improviso na garagem, encontrando algo muito legal, e dizendo, "Ei, temos uma banda aqui, "" diz Shawn Domagal-Goldman, um astrobiólogo Goddard da NASA que, junto com Arney, foi mentor de uma equipe FDL em 2018. Sua equipe desenvolveu uma técnica de aprendizado de máquina para cientistas que pretendem estudar a atmosfera de exoplanetas, ou planetas além do nosso sistema solar.

p Esses cientistas de Goddard esperam um dia usar técnicas avançadas de aprendizado de máquina para interpretar rapidamente os dados que revelam a química dos exoplanetas com base nos comprimentos de onda da luz emitida ou absorvida por moléculas em sua atmosfera. Uma vez que milhares de exoplanetas foram descobertos até agora, tomar decisões rápidas sobre quais têm a química mais promissora associada à habitabilidade pode ajudar a separar os candidatos para apenas alguns que merecem mais, e caro, investigação.

p Para este fim, a equipe FDL Arney e Domagal-Goldman ajudaram a aconselhar, com suporte técnico do Google AI, implantou uma técnica conhecida como "rede neural". Essa tecnologia pode resolver problemas supercomplicados em um processo análogo ao funcionamento do cérebro. Em uma rede neural, bilhões de "neurônios, "que são células nervosas do cérebro que nos ajudam a formar memórias e tomar decisões, conectar-se a bilhões de outras pessoas para processar e transmitir informações. Estudante de graduação em ciência da computação da Universidade de Oxford, Adam Cobb, junto com Michael D. Himes, um estudante de graduação em física da University of Central Florida, conduziu um estudo para testar a capacidade de uma rede neural "bayesiana" em comparação com uma técnica de aprendizado de máquina amplamente usada, conhecida como "floresta aleatória". Outra equipe de pesquisadores não associada a FDL já havia usado este último método para analisar a atmosfera do WASP-12b, um exoplaneta descoberto em 2008, baseado em montanhas de dados coletados pelo telescópio espacial Hubble da NASA. A rede neural bayesiana poderia ter um desempenho melhor, a equipe se perguntou?

p "Descobrimos imediatamente que a rede neural tinha melhor precisão do que a floresta aleatória na identificação da abundância de várias moléculas na atmosfera de WASP-12b, "Diz Cobb.

p Mas além de melhor precisão, a técnica bayesiana oferecia algo igualmente crítico:poderia dizer aos cientistas o quão certo estava sobre sua previsão. "Em lugares onde os dados não eram bons o suficiente para fornecer um resultado realmente preciso, este modelo era melhor em saber que não tinha certeza da resposta, o que é muito importante se quisermos confiar nessas previsões, "Domagal-Goldman diz.

p Embora a técnica desenvolvida por esta equipe ainda esteja em desenvolvimento, outras tecnologias FDL já foram adotadas no mundo real. Em 2017, Os participantes da FDL desenvolveram um programa de aprendizado de máquina que poderia criar rapidamente modelos 3D de asteróides próximos, estimando com precisão suas formas, tamanhos, e taxas de rotação. Esta informação é crítica para os esforços da NASA para detectar e desviar asteróides ameaçadores da Terra.

p Tradicionalmente, astrônomos usam software de computador simples para desenvolver modelos 3-D. O software analisa muitas medições de radar de um asteróide em movimento e, em seguida, ajuda os cientistas a inferir suas propriedades físicas com base nas mudanças no sinal do radar.

p "Um astrônomo adepto com recursos de computação padrão, poderia formar um único asteróide em um a três meses, "diz Bill Diamond, Presidente e CEO da SETI. "Portanto, a pergunta para a equipe de pesquisa era:podemos acelerar isso?"

p A resposta foi sim. O time, que incluía alunos da França, África do Sul e Estados Unidos, além de mentores da academia e da empresa de tecnologia Nvidia, desenvolveu um algoritmo que pode processar um asteróide em apenas quatro dias. Hoje, a técnica é usada por astrônomos no Observatório de Arecibo, em Porto Rico, para fazer modelagem da forma quase em tempo real de asteróides.

p A modelagem de asteróide, junto com a análise da atmosfera exoplanetária, são alguns exemplos de FDL que mostram a promessa de aplicar algoritmos sofisticados aos volumes de dados coletados pelas mais de 100 missões da NASA.

p Como observa o heliofísico Madhulika (Lika) Guhathakurta da NASA, a agência espacial reúne cerca de 2 gigabytes de dados (e cada vez mais) a cada 15 segundos de sua frota de espaçonaves. "Mas analisamos apenas uma fração desses dados, porque temos gente limitada, tempo e recursos. É por isso que precisamos usar mais essas ferramentas, " ela diz.

p Uma liderança em missões focadas em compreender e prever os efeitos do sol na Terra, tecnologia e astronautas no espaço, Guhathakurta está com a FDL nos últimos três anos e foi um arquiteto-chave na definição deste programa. Ela apoiou uma equipe em 2018 que resolveu um problema com um sensor com defeito no Solar Dynamics Observatory (SDO) da NASA, uma espaçonave que estuda a influência do Sol na Terra e no espaço próximo à Terra.

p Em 2014, apenas quatro anos após o lançamento da missão, um sensor parou de retornar dados relacionados aos níveis de radiação ultravioleta extrema (EUV) - informações que se correlacionam com um aumento da atmosfera externa da Terra e, portanto, afetam a longevidade dos satélites, incluindo a Estação Espacial Internacional. Então, os alunos de doutorado em ciência da computação da Universidade de Stanford e da Universidade de Amsterdã, entre outros, com mentores de organizações, incluindo a IBM, Lockheed Martin, e SETI, desenvolveu uma técnica que poderia, essencialmente, preencha os dados ausentes do sensor quebrado. Seu programa de computador poderia fazer isso analisando dados de outros instrumentos SDO, junto com dados antigos coletados pelo sensor quebrado durante os quatro anos em que funcionou, para inferir quais níveis de radiação EUV aquele sensor teria detectado com base no que os outros instrumentos SDO estavam observando em um determinado momento. "Nós geramos, basicamente, um sensor virtual, "Guhathakurta diz.

p O potencial deste tipo de instrumento não é perdido por ninguém. SETI head, Diamante, imagina um futuro onde essas ferramentas virtuais serão incorporadas a espaçonaves, uma prática que permitiria mais leve, missões menos complexas e, portanto, mais baratas. Domagal-Goldman e Arney prevêem futuras missões de exoplanetas onde as tecnologias de IA incorporadas em espaçonaves são inteligentes o suficiente para tomar decisões científicas em tempo real, economizando as muitas horas necessárias para se comunicar com os cientistas na Terra.

p "Os métodos de IA nos ajudarão a liberar a capacidade de processamento de nossos próprios cérebros, fazendo muito do trabalho braçal inicial em tarefas difíceis, "Arney diz." Mas esses métodos não substituirão os humanos tão cedo, porque ainda precisamos verificar os resultados. "