ناسا در همه جنبه های فضا درگیر است.از مطالعه جو بیرونی زمین گرفته تا یافتن نشانه های زندگی در سیارات دیگر! و یادگیری ماشین ابزار بسیار ضروری برای این کشف فضایی است. زیرا ابزار ضروری در این عصر داده است. مقدار داده های ایجاد شده توسط فضاپیماها و ماهواره های مختلف ناسا دیوانه کننده است. (به عنوان نمونه در نظر بگیرید که  تنها Sloan Digital Sky Survey باعث ایجاد بیش از ۵۰ میلیون تصویر در آینده خواهد شد.)

از این رو استفاده از یادگیری ماشین توسط ناسا برای شناسایی الگوها لازم است. این مدل داده ها منجر به اکتشافات جدید در آینده خواهد شد. و این همه موضوع نیست. یادگیری ماشین می تواند برای نظارت بر سلامتی فضانوردان در فضا، انجام تعمیرات فضایی به صورت هوشمند و کشف سیارات بیشتر در کهکشان ها خارق العاده باشد. وقتی صحبت از فضا و یادگیری ماشین می شود، محدودیت در آسمان ها وجود ندارد.

اکنون برخی از برنامه های کاربردی موجود و یا در حال پیشرفت ناسا که از یادگیری ماشین استفاده می کنند را می بینیم تا بتوانیم دامنه این تکنولوژی فوق العاده  را در اکتشافات فضایی بهتر بشناسیم و از کاربردهای آن در آینده آگاهی کسب کنیم.

۱٫راننده خود ران در مریخ

فکر می کنید تسلا ، گوگل ، Uber و غیره اولین کسانی بودند که به شدت در اتومبیل های رانندگی سرمایه گذاری کردند؟ دوباره فکر کنید ! در حقیقت ، ناسا تقریباً یک دهه پیش فناوری رانندگی خودمختار برای مریخ را ایجاد کرده بود. ناسا ناوبری و سیستم رانندگی مبتنی بر یادگیری ماشین برای مریخ نورد خود موسوم به AutoNav که در اوایل سال ۲۰۰۴ روی مریخ فرود آمد ، مورد استفاده قرار داد.  هنوز با مأموریت یافتن آب و سایر عواملی که ممکن است مریخ را برای اکتشافات انسانی در آینده مناسب بداند ، اکتشاف مریخ را تا به امروز انجام می دهد!

حال فکر می کنید که رانندگی در مریخ نسبتاً راحت تر از رانندگی در جاده های پر ازدحام زمین است. اما کار آسانی نیست! در حالی که AutoNav لازم نیست نگران این باشد که مریخ نورد با وسایل نقلیه دیگر یا انسانها اصابت کند  ، سطح مریخ بسیار سنگی است بنابراین سیستم ناوبری باید اطمینان حاصل کند که مریخ نورد به سنگها اصابت نمی کند یا تپه های شنی لغزنده به طور دائمی آن را به دام نمی اندازد.

یکی دیگر از کاربردهای Machine Learning در مریخ نورد، الگوریتمی به نام AEGIS است (اکتشاف خودمختار برای جمع آوری دانش افزایش یافته) که موارد سازنده صخره های مریخ را شناسایی می کند ممکن است دلیل استفاده از Machine Learning این باشد که مریخ نورد نمی تواند تمام تصاویر مریخ را ارسال کند. به دلیل اینکه فقط ارتباط محدود بر روی زمین امکان پذیر است. بنابراین AEGIS تصمیم می گیرد که کدام تصاویر ممکن است جالب یا مهم باشد و سپس مریخ نورد آنها را برای مطالعه دانشمندان ناسا به زمین می فرستد.

۲٫پزشکی در فضا – توانایی اکتشافات پزشکی

اکنون که فضانوردان بیشتر و بیشتر به سمت فضای فراتر از مدار زمین حرکت می کنند ، در صورت نیاز به کمک پزشکی ، چه اتفاقی خواهد افتاد؟ به طور واضح قادر به بازگشت به زمین برای معاینه با پزشک نخواهند بود! به همین دلیل ، ناسا در حال کار بر روی توانایی پزشکی اکتشافی است که از یادگیری ماشین برای توسعه گزینه های مراقبت های بهداشتی، بر اساس نیازهای پزشکی پیش بینی شده آینده فضانوردان، استفاده خواهد کرد. این گزینه های مراقبت های بهداشتی توسط پزشکان و جراحان دارای مجو، ایجاد می شود و با توجه به تجربیات فضانوردان با گذر زمان یاد می گیرند و تکامل پیدا می کنند.

در کل ، هدف اصلی توانایی پزشکی اکتشاف این است که فضانوردان در فضا سالم بمانند. (خصوصاً در مأموریت های طولانی و دور) فضانوردان نمی توانند مستقیماً با پزشکان روی زمین تماس بگیرند. تاخیر زمانی زیادی را به دنبال دارد و بنابراین ExMC از یادگیری ماشینی برای ارائه مراقبت های پزشکی خودمختار به کمک فن آوری های پزشکی از راه دور استفاده می کند.

۳٫یافتن سیارات دیگر

ناسا معتقد است که حدود ۱۰۰ میلیارد ستاره در کهکشان وجود دارد و از بین آنها حدود ۴۰ میلیارد ممکن است زندگی داشته باشند. این داستان علمی نیست ، ناسا در واقع معتقد است که ممکن است روزی بیگانگان پیدا کنیم! اما برای کشف بیگانگان ، ابتدا ناسا باید سیارات جدید و بیشتری را در سیستم های مختلف خورشیدی کشف کند. پس از کشف این سیارات فراخورشیدی ، ناسا طیف جوی این سیارات را اندازه گیری می کند تا دریابد احتمال زندگی وجود دارد یا خیر.

در حالی که این مراحل به اندازه کافی پیچیده هستند ،مشکل اینجاست که هیچ داده واقعی برای آزمایش وجود ندارد! بنابراین دانشمندان ناسا داده های لازم را تولید می کنند و اینجا مکانی است که در آن یادگیری ماشینی وارد می شود. Planetary Spectrum Generator ابزاری است که ناسا برای ایجاد مدارهای ۳ بعدی و خصوصیات جوی سیارات فراخورشیدی مورد استفاده خود قرار می دهد. برای ایجاد یک مدل کار برای منظومه شمسی ، دانشمندان از رگرسیون خطی و همچنین شبکه های عصبی کانولشن استفاده می کنند.

تصویر فوق نتایج حاصل از سیارات فراخورشیدی است که میزان آب و متان موجود در جو را نشان می دهد. همانطور که در نمودار CH4 و H2O مشاهده می کنید ، خطوط سیاه پیش بینی هایی را که با استفاده از Machine Learning انجام شده اند نشان می دهند و خطوط قرمز حاکی از یافته های واقعی است. همانطور که می بینید مدل ML آموزش دیده در این شرایط کاملاً دقیق است!

۴٫پیمایش در ماه – ناوبری سیاره ای با یادگیری عمیق

چه اتفاقی می افتد اگر شما روی زمین گم شوید؟ خوب ، فقط می توانید از GPS استفاده کنید تا بدون مشکل به مقصد خود برسید. اما اگر در ماه گم شوید ، چه می کنید ؟! بهتر است که کسی شما را پیدا کند زیرا GPS در ماه کار نمی کند! یا حداقل تا الان اینطور نبوده ! در حال حاضر ، آزمایشگاه توسعه مرزی ناسا در حال کار بر روی یک پروژه برای ارائه ناوبری بر روی سطح اجسام آسمانی از جمله ماه است! این پروژه در اصل با هدف ارائه GPS حتی بر روی سطح ماه ، صرفاً بدون استفاده از چندین ماهواره بسیار گران قیمت در حال تحقیق است! و با توجه به سطح قمری سنگی و بی ثمر کار آسانی نیست.

این کار با تغذیه تصاویر یک سیستم یادگیری ماشینی تعداد زیادی از تصاویر ماه (خوشبختانه ناسا ۲٫۴ میلیون دراختیار دارد!) و سپس ایجاد نسخه مجازی ماه با استفاده از شبکه های عصبی صورت می گیرد. پس اگر در ماه گم شده باشید ، می توانید از محیط اطراف خود عکس بگیرید و سیستم یادگیری ماشین قادر خواهد بود با مقایسه تصاویر خود با بانک اطلاعاتی از قبل ایجاد شده سطح ماه که ماه مجازی را تشکیل می دهد ، موقعیت مکانی شما را بر روی ماه مثلث بندی کند. اگرچه این تکنیک کامل نیست (هنوز!) ، بهتر از هر چیزی دیگری است و می تواند در هر سطح سیاره ای استفاده شود ، نه فقط ماه.