Um alerta aparece em seu e-mail:As últimas observações da espaçonave estão prontas. Agora você tem 24 horas para vasculhar 84 horas de dados, selecionando os momentos de fração de segundo mais promissores que você pode encontrar. Os pontos de dados que você escolhe, dependendo de como você os classifica, fará o download da espaçonave na resolução mais alta possível; os pesquisadores podem passar meses analisando-os. Todo o resto será sobrescrito como se nunca tivesse sido coletado.

Essas são as apostas que o Cientista no Ciclo enfrenta, uma das funções mais importantes na multiescala magnetosférica, ou MMS, equipe de missão. Setenta e três voluntários compartilham a responsabilidade, trabalhar em turnos de uma semana de cada vez para garantir que os melhores dados cheguem ao solo. É preciso olhar atento e meticuloso, É por isso que sempre foi deixado para um humano cuidadosamente treinado - pelo menos até agora.

Um artigo publicado hoje descreve o primeiro algoritmo de inteligência artificial a emprestar ao Cientista no Loop uma mão (virtual).

"MMS é a primeira grande missão da NASA implementando aprendizado de máquina em suas operações de missão, "disse Matthew Argall, físico espacial da Universidade de New Hampshire e principal autor do artigo.

O algoritmo realiza uma única tarefa:detectar quando a espaçonave cruzou do campo magnético da Terra para o do sol, ou vice-versa. Mas é apenas o primeiro de muitos algoritmos de propósito especial que podem mudar a forma como a ciência do MMS é feita.

Estourando a bolha da Terra

Um campo de força invisível envolve nosso planeta, uma bolha gigante inflando mais de 40, 000 milhas no espaço. Este é o nosso campo magnético, e nos serve de várias maneiras. Isso mantém as coisas fora, desviando os raios cósmicos prejudiciais que, de outra forma, atingiriam a superfície da Terra, colocando a vida em perigo. Mas também mantém as coisas dentro, definindo padrões de tráfego para as partículas que zumbem no espaço próximo à Terra. Elétrons, minúsculo e leve, gire piruetas fechadas em torno das linhas do campo magnético da Terra; íons mais pesados ​​avançam mais devagar, loops mais largos.

Mas o campo magnético da Terra não é nada comparado ao do sol. Partículas sopradas pelo sol, conhecido como vento solar, carregam o campo magnético de nossa estrela muito além da órbita de Netuno. As partículas dentro dele traçam as linhas do campo magnético do sol, colidindo com a bolha magnética da Terra ao longo do caminho. Os locais de colisão formam uma fronteira invisível que os cientistas chamam de magnetopausa.

Em geral, a magnetopausa mantém-se forte - mas nem sempre. Quando as condições são adequadas e os campos magnéticos se alinham, o vento solar pode perfurar nossa bolha magnética. O local da violação é conhecido como uma região de difusão de elétrons, ou EDR, e encontrá-los é o objetivo principal da missão do MMS.

Dentro de um EDR, as linhas de campo magnético do Sol e da Terra se fundem, cancelam um ao outro, e desaparecer. Elétrons, energizado e não ligado, zip para frente e para trás em um pandemônio caótico.

"É como se eles tivessem perdido suas faixas de rodagem enquanto alguém pisava no acelerador, "disse Barbara Giles, cientista sênior de projeto para MMS.

Essas explosões de partículas desencadeiam uma reação em cadeia que acende as luzes do norte e do sul - elas podem até colocar em perigo astronautas e espaçonaves em seu caminho. EDRs explodem em todo o universo, do meio das explosões solares às bordas dos buracos negros. MMS procura por eles perto de casa, na borda do campo magnético da Terra.

Mas pegar um em flagrante é extremamente difícil. EDRs aparecem sem aviso prévio, estendem-se pelo menos duas milhas (dentro de um espaço de pesquisa de 14 bilhões de milhas), e duram apenas décimos de segundo. Em cinco anos de pesquisa contínua, MMS mediu pouco mais de 50. Mas cada vez que cruza a magnetopausa, onde nosso campo magnético encontra o do sol, tem outra chance de ver um.

Buscando Travessias de Magnetopausa

Assim, o cientista no circuito analisa os dados de cada órbita, caça para cruzamentos de magnetopausa. Mas eles não se destacam necessariamente nos dados - identificá-los é mais como apontar quando uma garoa se transforma em chuva. Os dados de uma única órbita podem conter no mínimo dois ou até 100 cruzamentos da magnetopausa, com falso alarme apimentado no meio. Para encontrá-los, o Scientist in the Loop simplesmente precisa dedicar tempo.

"Nos primeiros dias, era basicamente um trabalho em tempo integral, "disse Rick Wilder, físico espacial do Laboratório de Física Atmosférica e Espacial em Boulder, Colorado. Desde então, Wilder ajudou a otimizar o fluxo de trabalho do Scientist in the Loop e treinou novos recrutas em especialistas experientes. Hoje, um Cientista experiente no Loop precisa apenas de algumas horas por semana. Mas ainda é uma pressão para os pesquisadores que se oferecem como voluntários em agendas lotadas. "O cansaço está sempre na nossa mente, "Wilder disse.

Eles sempre planejaram automatizar partes do Cientista no papel do Loop, mas encontrar um algoritmo para corresponder ao desempenho humano foi um desafio. Os cientistas podem ver tendências maiores nos dados, algo que a maioria dos algoritmos se esforça para fazer. "Parte do que um cientista faz é observar a progressão dos dados no tempo, "disse Argall." Por exemplo, ser capaz de identificar que você está na magnetosfera em um ponto, e usar isso para influenciar como [você vê] a evolução dos dados. "

Argall e seus colaboradores construíram um algoritmo que tenta emular como os humanos leem os dados. Ele assume a forma de uma rede neural, uma técnica de processamento de dados inspirada no cérebro. Ao contrário dos algoritmos tradicionais, redes neurais se programam por tentativa e erro. Argall mostrou exemplos de rede de cruzamentos de magnetopausa, em seguida, testei em novos casos. Se respondeu errado, um não cruzamento foi escolhido, ou uma verdadeira travessia foi perdida - ele enviou um sinal de erro, desencadeando uma cascata de ajustes antes do próximo teste. Como cientistas humanos no circuito, a rede aprendeu a identificar cruzamentos de magnetopausa com a experiência.

Mas a maioria das redes neurais processa dados em instantâneos isolados, enquanto os cientistas veem as medições se desdobrando no tempo. A equipe aproximou a capacidade do cientista usando portas para armazenar os dados que a rede acabou de ver, bem como os dados que virão a seguir. Conforme a rede decide se está olhando para o cruzamento da magnetopausa ou não, ele pode acessar os pontos de dados ao redor para ajudar. "O algoritmo adiciona dados de entrada do passado e do futuro para fornecer contexto para a decisão que está sendo tomada no momento, "Argall disse.

É o primeiro algoritmo de muitos. A equipe imagina construir vários detectores de propósito especial para trabalhar juntos em uma hierarquia. (Uma assembleia de especialistas, outros encontraram, supera um algoritmo de pau para toda obra.) No nível mais baixo, "classificadores de região" olham os dados para descobrir onde a espaçonave está no espaço. Eles passam sua saída para "classificadores de eventos específicos da região, "que procuram os fenômenos que os pesquisadores querem encontrar. Com sucesso nos próximos anos, O MMS pode detectar automaticamente muito mais do que cruzamentos de magnetopausa.

"Poderíamos aceitar pedidos, digamos, para uma determinada assinatura nos dados, e baixe em tempo real, "Giles disse." Nesse sentido, torna-se um observatório do sistema - um recurso da comunidade.

Isso ainda está longe. O novo algoritmo atualmente corresponde aos julgamentos humanos em cerca de 70% das vezes. (Mesmo os cientistas não concordam 100% do tempo.) Desde outubro de 2019, cada semana o Scientist in the Loop o tratou como um assistente, verificar novamente seu trabalho e detectar quaisquer erros.

"Mas tenho certeza que dentro de mais alguns anos, com essas técnicas que ele está desenvolvendo, ele vai tornar o Scientist in the Loop redundante, "Giles disse." Saberemos quando esse dia chegar, porque tudo o que eles farão é entrar, marque uma caixa, e seguir em frente."

Com um assistente algorítmico confiável ao seu lado, os cientistas poderiam se concentrar nas oscilações dos dados que ainda não sabem rotular. Podemos estar vislumbrando um futuro onde algoritmos são menos ferramentas do que colaboradores, trabalhando ao lado de cientistas enquanto aprendem juntos com novos dados.