最近，美国国家宇宙航天局（NASA）的研究人员表示，他们正在利用人工智能机器学习来探索生命是否可以存在于其他星球上，如何保护地球免受小行星侵害，以及如何在地球表面发现原始陨石。在NASA的前沿开发实验室（FDL），来自美国国家航空航天局，欧洲航天局（ESA）和学术界的研究人员与来自谷歌，IBM，英特尔，洛克希德马丁，Nvidia和其他公司的研究人员聚集在一起。他们将探讨如何利用人工智能如何解决空间科学中一些最棘手的问题。FDL主任詹姆斯帕尔说：“人工智能在解决空间问题的技术是非常宝贵的。我们的星球不是很大，我们有很多问题需要面对。”阿波罗在月球拍摄的地球照片他在伦敦REWORK深度学习峰会上向机器学习工程师和人工智能研究人员表示，“我们拥有人工智能的新技术，但是我们要考虑的是如何利用这些人工智能技术在人类探索宇宙中发挥更大的作用。”以下是FDL使用人工智能技术探索宇宙的五种方式。对外星生命做出明智的预测FDL一直在使用神经网络来探索太阳系外行星，行星在我们太阳系外的轨道上存在什么类型的外星生命。即使这些行星距离我们还有很远的距离，它们也可以被太空望远镜观察到，当这些行星在它们的母星前面经过时，观察到周期性的倾斜，提供了关于每个行星的密度，质量和距太阳的距离的线索。FDL使用这些频谱线索来训练自动编码器和生成对抗网络（GAN），这些神经网络可以生成合理的数据。利用这些训练有素的网络，FDL能够产生万个可能的外来代谢候选物，即维持生命的化学反应。帕尔说，值得探索外星球上的生命如何不同，指出生命“不仅仅是它在地球上演化的方式，还有不同的可能性”。通过系外行星大气的光谱也可以提供有关大气化学和地球气候的提示，帕尔说，实验室希望能够根据天基盖亚和詹姆斯韦伯望远镜的数据做出更详细的预测。探测系外行星虽然人类已探测到超过颗系外行星，但帕尔表示，美国宇航局最近发射的过境系外行星测量卫星（TESS）应该可以帮助我们识别比以前使用开普勒太空望远镜收集的数据更多行星。“现在TESS将会看到80-85％的天空。这是一个巨大的数据挑战，而我们大部分数据分析仍然是手动的。“我们今年所做的其中一个项目是采用该工作流程，并用人工智能工作流程取而代之，”他说。FDL团队使用开普勒收集的数据证明该技术有效，并希望在新的一年中分析TESS数据。帮助保护地球免受小行星的伤害在我们能够保护地球免受穿越太空的近地天体（NEO）之前，我们需要知道它们的外观。但是根据雷达数据对小行星和其他近地天体的形状进行建模可以使人类专家长达四周。“在小行星进入地球大气层之前理解小行星的形状是非常有用的，”帕尔说，由于NEO的形状会影响其空气动力学。“如果我们需要的话，了解它的质心和翻滚实际上是决定如何移动它的关键。”通过将这种稀疏雷达数据馈送到训练有素的GAN中，该团队能够在数小时内对近地天体进行建模。“NASA拥有大量积压的形状模型，这样做证明了人工智能技术的巨大应用。”帮助恢复陨石在人工智能机器人降落在地球表面之后寻找原始陨石是在地球大气层中的水，氧气和氯气造成损失之前与时间赛跑。FDL研究人员使用大约35,颗陨石的自制数据集来训练机器学习模型，从上方发现陨石样本，并将其与陆地岩石区分开来。一旦安装在装有照相机的陨石探测无人机上，该团队发现机器学习模型非常有效地用于搜索已知陨石坠落附近的碎片场。帕尔说：“我们一直都会被小行星带走，如果我们能够尽快得到它们，我们就可以在它们被氧化之前获得一个非常原始的样品。”“这架无人机发现了16,颗候选陨石，但令人兴奋的是，它确定了真正的陨石16,个。它表明这项技术非常强大。”绘制可能含有水的月球陨石坑Parr表示，在月球极点绘制深陨石坑可以帮助确定哪些陨石坑可能含有冷冻水，但这也是一项“巨大而耗时的任务”。他说，按照现有的速度，在两极手动绘制陨石坑的时间可能超过2年。为了加快这个过程，FDL和英特尔创造了一个游戏，玩家可以帮助标记月球陨石坑的图像。然后，该数据集用于训练卷积神经网络（CNN），这是一种擅长图像识别的网络，用于发现极点处的陨石坑。与人类专家相比，训练有素的机器学习模型快了倍，准确率达到98.4％。“一旦我们开发了推理模型，我们就会得到一些非常好的结果，”Parr说，他说受过训练的模型基本上消除了人类进行分析的需要。