O SETI Institute e o Frontier Development Lab (FDL.ai) estão anunciando o lançamento do SpaceML.org. SpaceML é um recurso que disponibiliza conjuntos de dados prontos para IA para pesquisadores que trabalham em ciência e exploração espacial, permitindo rápida experimentação e reprodutibilidade.

O SpaceML Repo é uma caixa de ferramentas de aprendizado de máquina e um recurso gerenciado pela comunidade para permitir que os pesquisadores se envolvam de forma mais eficaz com IA para ciência e exploração espacial. Ele é projetado para ajudar a preencher a lacuna entre o armazenamento de dados, compartilhamento de código e análise do lado do servidor (nuvem).

SpaceML.org inclui conjuntos de dados prontos para análise, projetos de ciências espaciais e ferramentas MLOPS projetadas para acelerar os fluxos de trabalho de IA existentes para novos casos de uso. Os conjuntos de dados e projetos se baseiam em cinco anos de aplicativos de IA de ponta concluídos por equipes da FDL de Ph.D.s em início de carreira em IA / ML e domínios científicos multidisciplinares em parceria com a NASA, Parceiros comerciais da ESA e da FDL. As áreas de desafio incluem ciências da terra, exploração lunar, astrobiologia, defesa planetária, medicina de exploração, resposta a desastres, heliofísica e clima espacial.

"Os aplicativos mais impactantes e úteis de IA e técnicas de aprendizado de máquina exigem conjuntos de dados que foram preparados adequadamente, organizado e estruturado para tais abordagens, "disse Bill Diamond, CEO do Instituto SETI. "Cinco anos de pesquisa FDL em uma ampla gama de domínios científicos permitiu o estabelecimento de uma série de conjuntos de dados prontos para análise que temos o prazer de disponibilizar agora para a comunidade de pesquisa mais ampla."

A FDL aplica tecnologias de IA e aprendizado de máquina (ML) à ciência para expandir as fronteiras da pesquisa e desenvolver novas ferramentas para ajudar a resolver alguns dos maiores desafios da humanidade, tanto aqui na Terra quanto no espaço.

Os projetos hospedados em SpaceML.org para a comunidade de pesquisa incluem:

• Um projeto que aborda o problema de como usar o ML para autocalibrar instrumentos baseados no espaço usados ​​para observar o sol. Após anos de exposição à nossa estrela, esses instrumentos se degradam com o tempo - um pouco como a catarata. A recalibração requer foguetes de sondagem caros. Usando ML, a equipe conseguiu aumentar os dados, na verdade, "removendo" as cataratas.

  "O obstáculo para muitos pesquisadores começarem a usar o conjunto de dados SDOML, e para começar a desenvolver soluções de ML, é a fricção que experimentam ao iniciar pela primeira vez, "disse Mark Cheung, Físico sênior da Lockheed Martin e pesquisador principal do Observatório Solar Dynamics da NASA / Assembleia de imagens atmosféricas. "O SpaceML dá a eles um impulso inicial, reduzindo o esforço necessário para análise exploratória de dados e implantação de modelo. Ele também demonstra reprodutibilidade em ação."

• Outro projeto demonstra como a redução de dados de uma rede de vigilância de meteoros conhecida como CAMS (câmeras para vigilância de meteoros Allsky) poderia ser automatizada para identificar novos aglomerados de chuvas de meteoros - potencialmente as trilhas de antigos cometas que cruzam a Terra. Desde que o pipeline de IA foi colocado em prática, um total de nove novas chuvas de meteoros foram descobertas via CAMS.

  "A SpaceML ajudou a acelerar o impacto ao trazer uma equipe de cientistas cidadãos que implantaram um classificador de meteoros com inteligência ativa e aprendizado ativo interpretável para automatizar as percepções, permitindo aos astrônomos pesquisas focadas no projeto SETI CAMS, "disse Siddha Ganju, Arquiteto de IA de instrumentos médicos e autodirigido, Nvidia (membro fundador das Iniciativas CAMS e Worldview Search da SpaceML). "Durante o SpaceML, nós (1) padronizamos o pipeline de processamento para processar o conjunto de dados de meteoros de uma década coletado pelo CAMS, e, estabeleceu o classificador de meteoros de última geração com uma estratégia de aumento única; (2) habilitou o aprendizado ativo no pipeline CAMS para automatizar insights; e, (3) atualizou o portal NASA CAMS Meteor Shower, que agora inclui pontos de referência celestiais e uma ferramenta de comunicação científica. E a melhor coisa é que os futuros cientistas cidadãos podem participar do projeto CAMS com base nos modelos treinados acessíveis ao público, scripts, e ferramentas da web. "

  SpaceML também hospeda INARA (Intelligent ExoplaNET Atmospheric RetrievAI), um pipeline para recuperação atmosférica com base em um conjunto de dados sintetizado de três milhões de espectros planetários, para detectar evidências de possível atividade biológica em atmosferas de exoplanetas - em outras palavras, "Estamos sozinhos?"

  SpaceML.org procura curar um repositório central de cadernos de projetos e conjuntos de dados gerados a partir de projetos semelhantes aos listados acima. Esses repositórios de projeto contêm um bloco de notas "Co-Lab" do Google que orienta os usuários pelo conjunto de dados e inclui um pequeno fragmento de dados para um rápido teste antes de comprometer todo o conjunto de dados (que são invariavelmente muito grandes).

  Os projetos também abrigam o conjunto de dados completo usado para os desafios, que pode ser disponibilizado mediante solicitação. Adicionalmente, O SpaceML busca facilitar o gerenciamento de novos conjuntos de dados que resultam de pesquisas em andamento e, no devido tempo, realizar torneios para convidar a melhorias nos modelos de ML (e dados) em relação a benchmarks conhecidos.

  "Estávamos preocupados em como tornar nossa pesquisa de IA mais reproduzível, "disse James Parr, Diretor e CEO da FDL, Trillium Technologies. "Percebemos que a melhor maneira de fazer isso era tornar os dados facilmente acessíveis, mas também que precisávamos simplificar o processo de integração, experimentação inicial e processo de adaptação do fluxo de trabalho. "

  "O problema com a reprodutibilidade da IA ​​não é necessariamente, 'não inventado aqui' - é mais, 'não há tempo suficiente para sequer tentar. "Descobrimos se poderíamos compartilhar dados prontos para análise, permitem a experimentação rápida do lado do servidor e bom controle de versão, seria a melhor coisa fazer com que essas ferramentas fossem utilizadas pela comunidade para o benefício de todos. "

  FDL lança seu programa 2021 em 16 de junho, 2021, com pesquisadores nos EUA abordando sete desafios nas áreas de Heliofísica, Saúde do Astronauta, Ciência Planetária e Ciências da Terra. O programa culminará em meados de agosto, com equipes apresentando seu trabalho em um evento virtual.