¿Cómo utiliza la NASA el aprendizaje automático?

¿Alguna vez miras el cielo nocturno y te preguntas qué hay más allá de las estrellas? ¿Alguna vez te has preguntado si hay vida en algún otro lugar del universo? ¡¡¿Quieres viajar a alguna galaxia lejana y descubrir los secretos del universo?!! Bueno, todas estas preguntas son las que la NASA intenta resolver a diario.

¡ La NASA está involucrada en todos los aspectos del espacio, desde estudiar la atmósfera exterior de la Tierra hasta encontrar señales de vida en otros planetas! Y Machine Learning es una gran parte de este descubrimiento espacial, ya que es una herramienta necesaria en esta era de datos. La cantidad de datos generados por varias naves espaciales y satélites de la NASA es una locura (como ejemplo, considere que solo el Sloan Digital Sky Survey creará más de 50 millones¡imágenes de galaxias en el futuro!) y, por lo tanto, el aprendizaje automático es necesario para identificar patrones en estos datos que conducirán a nuevos y emocionantes descubrimientos en el futuro. ¡Y eso no es todo! El aprendizaje automático también se puede usar para monitorear la salud de los astronautas en el espacio, manejar las reparaciones de la nave espacial de manera inteligente, descubrir más planetas en otras galaxias y otras cosas fantásticas. De hecho, cuando se trata de aprendizaje espacial y automático, ¡ni siquiera el cielo es el límite!

Entonces, ahora, veamos algunas de las aplicaciones existentes o en progreso de Machine Learning para la NASA para que pueda comprender mejor el alcance de esta fantástica tecnología en la exploración espacial y también tener una idea de sus futuras aplicaciones.

1. Rovers autónomos en Marte: los Rovers Spirit y Opportunity

¿Pensaste que Tesla, Google, Uber, etc. fueron los primeros en invertir fuertemente en autos sin conductor? Pues piénsalo de nuevo!!! De hecho, la NASA había creado la tecnología para la conducción autónoma de Mars Rovers hace casi una década. Un sistema de conducción y navegación basado en aprendizaje automático para vehículos autónomos de Marte conocido como AutoNav se utilizó en realidad en los vehículos móviles Spirit y Opportunity que aterrizaron en Marte ya en 2004. Otro vehículo móvil lanzado en 2011, Curiosity también utiliza Autonav y es un vehículo móvil ¡que todavía está explorando Marte hasta la fecha con la misión de encontrar agua y otros factores que podrían hacer que Marte sea adecuado para la exploración humana en el futuro!

Ahora usted pensaría que conducir en Marte es comparativamente más fácil que conducir en las carreteras congestionadas de la Tierra. ¡Pero no es tan fácil! Si bien AutoNav no tiene que preocuparse de que el rover golpee a otros vehículos o humanos (¡todavía no se ha encontrado vida en Marte!), la superficie de Marte es muy rocosa, por lo que el sistema de navegación debe asegurarse de que el rover no golpee rocas o dunas de arena resbaladizas que lo atraparían permanentemente.

Otra aplicación de Machine Learning en los rovers de Marte es un algoritmo llamado AEGIS (Exploración autónoma para reunir mayor ciencia) que identifica formaciones rocosas marcianas que podrían ser interesantes por sí solas mediante el uso de Machine Learning. Esto se debe a que el rover no puede enviar todas las imágenes de Marte. regresa a la Tierra porque solo hay una comunicación limitada posible. Entonces, AEGIS decide qué imágenes pueden ser interesantes o importantes y luego el rover las envía de regreso a la Tierra para que los científicos de la NASA las estudien.

2. Medicina en el espacio: capacidad médica de exploración (ExMC)

Ahora que los astronautas se están moviendo cada vez más hacia el espacio más allá de la órbita terrestre, ¿qué sucederá si necesitan ayuda médica? ¡Obviamente no podrán regresar a la Tierra para un chequeo médico! Por esta razón, la NASA está trabajando en Exploration Medical Capability que utilizará Machine Learning para desarrollar opciones de atención médica basadas en las futuras necesidades médicas anticipadas de los astronautas. Estas opciones de atención médica serán creadas por médicos y cirujanos certificados y aprenderán y evolucionarán con el tiempo de acuerdo con las experiencias de los astronautas.

Con todo, el objetivo principal de la capacidad médica de exploración es que los astronautas se mantengan en forma y saludables en el espacio (especialmente en misiones largas y lejanas). Y a diferencia de lo que te dicen los cómics sobre el espacio, algunos de los riesgos comunes para la salud asociados con los viajes espaciales son los peligros de la radiación, los duros desafíos ambientales, los problemas debidos a los cambios gravitacionales, etc. En estas situaciones, los astronautas no pueden comunicarse directamente con los médicos en la Tierra, ya que es un retraso de tiempo y, por lo tanto, el ExMC utiliza el aprendizaje automático para brindar atención médica autónoma y autosuficiente con la ayuda de tecnologías médicas remotas.

3. Encontrar otros planetas en el universo: generador de espectro planetario

¡Estoy seguro de que no necesito decirte que el universo es enorme! La NASA cree que hay alrededor de 100 mil millones de estrellas en la galaxia y de ellas alrededor de 40 mil millones pueden tener vida. Esto no es ciencia ficción, ¡la NASA realmente cree que podemos encontrar extraterrestres algún día! Pero para descubrir extraterrestres, la NASA primero necesita descubrir más y más planetas nuevos en diferentes sistemas solares. Una vez que se descubren estos exoplanetas , la NASA mide el espectro atmosférico de estos planetas para determinar si existe alguna posibilidad de vida.

Si bien estos pasos son lo suficientemente complicados, el problema es que no hay datos reales disponibles para la experimentación. Entonces, los científicos de la NASA solo generan los datos requeridos y ahí es donde entra en juego el aprendizaje automático. El generador de espectro planetario es una herramienta que la NASA usa para crear órbitas tridimensionales y propiedades atmosféricas de los exoplanetas que encuentran. Para crear un modelo de trabajo para el sistema solar, los científicos utilizan regresión lineal y redes neuronales convolucionales . Luego, se realizan más ajustes en el modelo antes de que esté listo para el entrenamiento.

La imagen de arriba muestra los resultados generados para un exoplaneta que demuestra la cantidad de agua y metano en la atmósfera. Como puede ver en el gráfico de CH4 y H2O, las líneas negras indican las predicciones que se realizaron mediante el aprendizaje automático y las líneas rojas indican los hallazgos reales. Como puede ver, el modelo ML entrenado es bastante preciso en esta situación.

4. Un astronauta robótico: el robonauta

¡¡¿Creías que los astronautas solo podían ser humanos?!! Bueno, normalmente tendrías razón, pero la NASA ha desarrollado un astronauta robótico ahora. ¡La ciencia ficción finalmente se está haciendo realidad! El Robonaut se desarrolló principalmente para trabajar junto a los astronautas en el espacio y ayudarlos a completar tareas que eran bastante peligrosas para los humanos. Esto era necesario ya que aumentaría la capacidad de investigación y descubrimiento de la NASA en el espacio, lo que, a su vez, nos permitiría aprender más sobre el sistema solar.

Como puede ver en esta imagen, ¡Robonaut ahora es un ayudante esencial en el espacio! Para lograr esto, Robonaut básicamente usa Machine Learning para “pensar” por sí mismo. Entonces, los científicos o los astronautas pueden asignar tareas al Robonaut y este descubre cómo realizarlas. En general, Robonaut también tiene muchas ventajas sobre los humanos normales, como sensores avanzados, velocidades increíblemente altas, diseño compacto y una flexibilidad mucho mayor . Se utilizó mucha tecnología avanzada para desarrollar Robonaut, que incluye sensores táctiles en la punta de los dedos, rango de recorrido completo del cuello, cámara de alta resolución y sistemas de infrarrojos, movimiento avanzado de dedos y pulgares, etc.

5. Navegación en la Luna: navegación planetaria de aprendizaje profundo

¿Qué pasaría si te perdieras en la Tierra? Bueno, ¡nada más! Podría usar el GPS para llegar a su destino sin ningún problema. Pero, ¿y si te perdieras en la Luna? ¡Bueno, será mejor que esperes que alguien te encuentre porque el GPS no funciona en la luna! O al menos no lo hacía hasta ahora!!! Actualmente, el Laboratorio de Desarrollo Fronterizo de la NASA está trabajando en un proyecto para proporcionar navegación en la superficie de los cuerpos celestes, ¡incluida la luna! Este proyecto básicamente tiene como objetivo proporcionar GPS incluso en la superficie lunar, ¡sin usar múltiples satélites muy costosos! Y esa no es una tarea fácil teniendo en cuenta la superficie lunar rocosa y estéril:

Esto se hace alimentando un sistema de aprendizaje automático con muchas imágenes de la luna (¡2,4 millones en este caso, que afortunadamente la NASA ya tiene!) y luego creando una versión virtual de la luna usando redes neuronales. Luego, si está perdido en la Luna, puede tomar imágenes de su entorno y el Sistema de Aprendizaje Automático podrá triangular su ubicación en la Luna comparando sus imágenes con la base de datos de imágenes ya creada de la superficie lunar que constituye la luna virtual. . Si bien esta técnica no es perfecta (¡todavía!), es mucho mejor que cualquier otra que ya esté disponible y se puede usar en cualquier superficie planetaria, no solo en la luna. ¡Y la NASA ya tiene la esperanza de que pueda usarse en Marte a continuación, en caso de que alguien se pierda en el planeta rojo!