Este artículo fue publicado como parte del Blogatón de ciencia de datos.
Visión general
La exploración espacial siempre ha sido de interés para científicos y gobiernos de todo el mundo, ya que contiene la clave del origen de la humanidad y muchas maravillas maravillosas del universo, incluida la posibilidad de vidas extraterrestres. El universo visible representa las partes del espacio que podemos ver usando telescopios. Sin embargo, los científicos y exploradores creen que el universo puede ser más grande que eso.
Hasta la fecha, los científicos han explorado aproximadamente solo el 4% del universo visible que está formado por planetas, estrellas, galaxias y otros objetos astronómicos que los astrónomos y científicos pueden ver y conocer. El resto 96% aún queda sin explorar.
Comprensión de la inteligencia artificial y el aprendizaje automático
La Inteligencia Artificial o el término más corto y más fresco AI se refiere a la simulación de la inteligencia humana en máquinas que están programadas para pensar como humanos e imitar sus acciones. El término también se puede aplicar a cualquier máquina que exhiba rasgos asociados con una mente humana, como el aprendizaje y la resolución de problemas.
El aprendizaje automático es una rama especializada en el dominio de la inteligencia artificial que se ocupa de entrenar máquinas para desarrollar inteligencia que les permita realizar tareas complejas utilizando su inteligencia. Los algoritmos de aprendizaje automático utilizan toneladas de datos para ayudar a las máquinas a familiarizarse con los diversos escenarios que pueden enfrentar. Permite que las máquinas aprendan de su experiencia de formación y las utilicen en escenarios de la vida real.
AI / ML en la exploración espacial
Ahora, si tuviéramos que combinar las ideas de estos dos términos masivos, a saber, IA y Exploración espacial, teniendo en cuenta los desarrollos recientes en el campo del aprendizaje automático y la inteligencia artificial, imagine lo fácil que sería para los científicos y exploradores lograr su objetivo y cómo afectaría nuestras vidas.
Juntemos estas dos ideas y veamos qué se ha hecho ya, qué está pasando y qué más se podría hacer.
1. Primera imagen de un agujero negro
Obtuvimos nuestra primera imagen de agujero negro usando el algoritmo CHIRP (Reconstrucción continua de imágenes de alta resolución usando Patch Priors). CHIRP es un algoritmo bayesiano que se utiliza para realizar la deconvolución en imágenes creadas en radioastronomía. El desarrollo de CHIRP involucró a un gran equipo de investigadores de Ciencias de la Computación e Inteligencia Artificial del MIT. El CHIRP usó los datos de imagen de los telescopios Event Horizon que eran demasiado grandes y aquí es donde se tenía que hacer el procesamiento de imágenes. Los científicos utilizaron Numpy, pandas y otras bibliotecas de Python para reducir los datos, la correlación de datos y las calibraciones. ML también se utilizó en el análisis de imágenes.
Consulte este enlace para obtener más detalles: https://numpy.org/case-studies/blackhole-image/
Ahora que tenemos la primera imagen de un agujero negro, los científicos e investigadores están trabajando para obtener imágenes más precisas de un agujero negro. Para hacerlo, crean algoritmos más complejos que utilizarán más aprendizaje automático e inteligencia artificial.
Tenga en cuenta que muchos objetos aún son desconocidos para nosotros en el espacio profundo, por lo que la aplicación de Machine Learning y Deep Learning nos ayudará a clasificar el tipo de objeto y estas investigaciones en el futuro pueden llevar a identificar más y más objetos nuevos y, por lo tanto, ayudar a los científicos. y exploradores en la exploración espacial.
2. Asistentes y robots basados en inteligencia artificial
¿Te suenan los nombres TARS y CASE? Sí, estoy hablando de los robots de la famosa película ‘Interstellar’ (y en caso de que no la hayas visto, te recomiendo que lo hagas). Si recuerdas el papel de TARS y CASE en la película, imagina lo útiles que serían para ayudar a los astronautas en la vida real.
Los científicos están desarrollando asistentes basados en IA para ayudar a los astronautas en su misión a la Luna, Marte y más allá. Estos asistentes están diseñados para comprender y predecir los requisitos de la tripulación y comprender las emociones de los astronautas y su salud mental y tomar las acciones necesarias en caso de una emergencia. Ahora, ¿cómo lo hacen? La respuesta a esto es el análisis de sentimientos. El análisis de sentimientos (también conocido como minería de opiniones o IA de emociones) es un subcampo de PNL (procesamiento del lenguaje natural) que intenta identificar y extraer opiniones dentro de un texto dado a través de blogs, reseñas, redes sociales, foros, noticias, etc.
Los robots, por otro lado, pueden ser más útiles cuando se trata de asistentes físicos, como ayudar a pilotar naves espaciales, acoplar naves espaciales y manejar condiciones extremas que no son seguras para los humanos. La mayor parte puede parecer hipotética, pero resultará de gran ayuda para los astronautas.
3. Sistema de navegación inteligente
En 2018, la NASA con la ayuda de Intel desarrolló un sistema de inteligencia artificial que ayudó a los astronautas a encontrar su camino en los planetas. Este nuevo sistema de navegación ayudará a navegar fácilmente por la superficie de los planetas a través de las rutas más cortas posibles. Los científicos aplicaron este programa a nuestra luna y la forma en que funcionó este sistema fue que simuló la superficie de la luna y luego la comparó con el entorno local. La IA se entrenaría con los millones de imágenes de la luna y luego usaría una red neuronal para crear un mapa de la luna virtual. El mismo algoritmo se aplicó luego al programa de exploración de Marte.
4. Descubrimiento de los exoplanetas de Kepler
El telescopio Kepler de la NASA fue diseñado para determinar la frecuencia de planetas del tamaño de la Tierra que orbitan estrellas similares al Sol, pero estos planetas estaban al borde de la sensibilidad de detección de la misión. La determinación precisa de la tasa de ocurrencia de estos planetas requirió una evaluación automática y precisa de la probabilidad de que los candidatos individuales sean realmente planetas, incluso con una baja relación señal / ruido.
Para superar esta limitación, los investigadores de Google y otros científicos utilizaron una red neuronal convolucional llamada AstroNet K2 para predecir si una señal dada del telescopio espacial de Kepler es un exoplaneta en tránsito o un falso positivo causado por el fenómeno astrofísico o instrumental. Al entrenar este modelo de red neuronal hasta en un 98 (aproximadamente) por ciento, identificaron con éxito dos nuevos exoplanetas, a saber, Kepler 80g y Kepler 90i, que orbitan el sistema estelar Kepler 80 y el sistema estelar Kepler 90, respectivamente.
5. Solución de desechos espaciales
Desechos espaciales alrededor de la Tierra (FUENTE: NASA)
Alguna vez pensaste en lo que les sucede a los satélites y naves espaciales que se envían al espacio y nunca regresan a la Tierra, bueno, esos se convierten en basura espacial. La basura espacial o basura espacial es cualquier pieza de maquinaria o basura dejada por los humanos en el espacio. Puede referirse a objetos grandes como satélites muertos que han fallado o han quedado en órbita al final de su misión.
La imagen que ves arriba fue lanzada en 2013 por la NASA y mostraba la cantidad de desechos espaciales que teníamos en 2013. El problema con los desechos espaciales ha llegado a un punto crítico a medida que los científicos e investigadores continúan enviando satélites al espacio, que nunca se lleva a cabo. espalda. Hay más de 23,000 fragmentos hechos por humanos en el espacio que son más grandes de 4 ”y más de 500,000 partículas pequeñas. La verdadera preocupación con estos desechos espaciales es que cuando chocan con los satélites o la nave espacial, dejan una abolladura en el cuerpo que a veces se convierte en la razón principal de los accidentes espaciales.
Para superar este problema, los científicos están utilizando el aprendizaje profundo para mejorar la precisión de la tecnología de rango láser que se utilizaba tradicionalmente. Utilizaron modelos de redes neuronales de retropropagación para identificar la ubicación de los escombros. También se mencionó que después de mejorar la precisión de apuntado del telescopio a través de una técnica de aprendizaje profundo, los desechos espaciales con un área de sección transversal de 1 metro cuadrado y una distancia de 1500 kilómetros se pueden identificar con precisión.
panorama
Hay muchas otras investigaciones en curso sobre la implementación de la inteligencia artificial en la exploración espacial. Aunque, como otras aplicaciones de la IA, nada puede ser seguro y concreto. Al final del día, necesitamos intervenciones humanas en todo lo que la IA es capaz de hacer. Con cada innovación, la IA está cada vez más cerca de proporcionar conocimientos más nuevos y demostrar ser una ventaja para los humanos en la exploración del espacio interestelar con la máquina y el proyecto e investigaciones innovadores.
Los medios que se muestran en este artículo no son propiedad de DataPeaker y se utilizan a discreción del autor.
