Participantes do programa do Laboratório de Desenvolvimento de Fronteiras da NASA no dia 17 de agosto apresentaram projetos sobre o uso de aprendizado de máquina no espaço. Em particular, as equipes mostraram sistemas de inteligência artificial para determinar as órbitas de cometas potencialmente perigosos e melhorar os mapas da superfície lunar. IEEE Spectrum fala sobre isso.
Empresas como Facebook ou Google usam aprendizado de máquina para traduzir texto ou reconhecer pessoas em fotos, mas técnicas de aprendizado de máquina são usadas não apenas em produtos personalizados, mas também para resolver problemas científicos. Com a ajuda do programa Frontier Development Laboratory, que está sendo organizado pelo segundo ano, a NASA está explorando as possibilidades de algoritmos de inteligência artificial para exploração espacial. A cada verão, a agência reúne pequenos grupos de pesquisadores para resolver problemas importantes de pesquisa espacial.
No total, as equipes estão trabalhando em cinco projetos - proteger o planeta de cometas de longo período, identificar crateras lunares, criar modelos tridimensionais de asteróides próximos à Terra, estudar o efeito da heliosfera e do clima espacial na atmosfera e magnetosfera da Terra e determinar as causas das erupções solares e ejeções de massa coronal. Na conferência Wrap-Up em Santa Clara, realizada na última quinta-feira, os cientistas apresentaram os primeiros resultados.
O IEEE Spectrum falou sobre os resultados do trabalho das duas equipes. A primeira equipe de pesquisadores usou dados da pesquisa Câmeras para Vigilância de Meteoros Allsky (CAMS) para prever a partir de chuvas de meteoros quando o próximo cometa de longo período voará perto da Terra. Como parte do CAMS, sessenta câmeras de vídeo instaladas em três estações observam o céu em busca de meteoros fracos. Eles encontram chuvas de meteoros e tentam correlacioná-los com cometas recentemente descobertos que podem ter deixado esses detritos. Uma equipe de cientistas do Frontier Development Laboratory desenvolveu uma rede neural que distingue meteoros em movimento rápido de nuvens, vaga-lumes e aviões (geralmente feitos à mão) e agrupa as imagens no tempo. Assim, o algoritmo encontra chuvas de meteoros até então desconhecidas.
Em 90% dos casos, as previsões da rede neural, testada por dois meses, coincidiram com a classificação de objetos por humanos. Em um projeto piloto, a equipe analisou cerca de um milhão de meteoros. No entanto, alguns especialistas mostraram-se céticos em relação ao projeto: em particular, exigiram provas de que as chuvas de meteoros não são ruído nos dados, e também que são resquícios de cometas, e não asteróides ou outras fontes. Um dos idealizadores do projeto, Marcelo de Cicco, do Instituto Nacional de Metrologia do Brasil, concordou que a rede neural ainda precisa ser aprimorada.
Os autores do segundo projeto trabalharam com dados da estação interplanetária Lunar Reconnaisance Orbiter (LRO) para criar um mapa mais detalhado da superfície lunar. Os cientistas usaram primeiro as informações do Altímetro a Laser do Orbitador Lunar (LOLA) para criar um mapa digital de elevação do satélite. No entanto, ele tinha uma desvantagem - continha artefatos. Cada vez que o LRO orbita a Lua, ele se desvia ligeiramente de sua órbita ideal. Por causa disso, as medições são imprecisas e rochas e rachaduras aparecem onde não estão.
Para resolver este problema, os pesquisadores compararam o mapa com imagens da Narrow Angle Camera (NAC), que registra a luz solar refletida da superfície da lua. Usando um algoritmo de aprendizado de máquina, a equipe eliminou os artefatos e fez um mapa mais preciso do satélite da Terra. Os cientistas também ensinaram um sistema de inteligência artificial para distinguir crateras de sombras e objetos semelhantes. A precisão do programa foi de 98 por cento.
Os astrônomos têm usado cada vez mais as redes neurais em seu trabalho nos últimos anos. Por exemplo, algoritmos de computador já ajudam os cientistas a determinar a composição da atmosfera dos exoplanetas e rastrear o movimento das estrelas na galáxia.
Vídeo promocional:
Christina Ulasovich
