A NASA Está Treinando Um Algoritmo de Aprendizado de Máquina Para Análise de Amostras de Marte Para a 'Missão ExoMars Rosalind Franklin Rover' da ESA

Prezados leitores e leitoras do BS!

 

Imagem: Space Daily

Ilustrativo.

 

No dia de ontem (06/08), o portal Space Daily informou que a NASA está treinando um Algoritmo de Aprendizado de Máquina para Análise de Amostras de Marte para a futura 'Missão ExoMars Rosalind Franklin Rover', liderada pela Agência Espacial Europeia (ESA).

 

De acordo com a nota do portal, quando um rover robótico pousa em outro mundo, os cientistas têm um tempo limitado para coletar dados dos muitos materiais exploráveis, devido à curta duração das missões e ao tempo necessário para realizar experimentos complexos.

 

É por isso que pesquisadores no Centro de Voo Espacial Goddard da NASA em Greenbelt, Maryland, estão investigando o uso de aprendizado de máquina para auxiliar na análise rápida dos dados das amostras do rover e ajudar os cientistas na Terra a planejar a utilização mais eficiente do tempo do rover em um planeta.

 

“Este algoritmo de aprendizado de máquina pode nos ajudar filtrando rapidamente os dados e indicando quais dados provavelmente serão mais interessantes ou importantes para examinarmos”, disse Xiang "Shawn" Li, cientista em espectrometria de massas no laboratório de Ambientes Planetários da NASA Goddard.

 

O algoritmo será inicialmente testado com dados de Marte, operando em um computador na Terra utilizando dados coletados pelo instrumento Mars Organic Molecule Analyzer (MOMA).

 

O analisador é um dos principais instrumentos científicos da próxima missão ExoMars Rosalind Franklin Rover, liderada pela ESA (Agência Espacial Europeia). O rover, que está programado para ser lançado não antes de 2028, busca determinar se a vida já existiu no Planeta Vermelho.

 

Depois que o Rosalind Franklin coleta uma amostra e a analisa com o MOMA, os dados serão enviados de volta à Terra, onde os cientistas usarão os resultados para decidir o melhor curso de ação a seguir.

 

“Por exemplo, se medirmos uma amostra que mostra sinais de grandes compostos orgânicos complexos misturados com minerais específicos, podemos querer realizar uma análise mais detalhada dessa amostra, ou até mesmo recomendar que o rover colete outra amostra com seu perfurador de núcleo”, disse Li.

 

Algoritmo Pode Ajudar a Identificar Composição Química Abaixo da Superfície de Marte

 

No campo da inteligência artificial, o aprendizado de máquina é uma forma de computadores aprenderem a partir de dados - muitos dados - para identificar padrões e tomar decisões ou tirar conclusões.

 

Esse processo automatizado pode ser poderoso quando os padrões podem não ser evidentes para pesquisadores humanos que analisam os mesmos dados, o que é típico para grandes conjuntos de dados complexos, como aqueles envolvidos em análise de imagens e espectral.

 

No caso do MOMA, os pesquisadores têm coletado dados laboratoriais por mais de uma década, segundo Victoria Da Poian, cientista de dados da NASA Goddard que co-lidera o desenvolvimento do algoritmo de aprendizado de máquina. Os cientistas treinam o algoritmo alimentando-o com exemplos de substâncias que podem ser encontradas em Marte e rotulando-as. O algoritmo então usará os dados do MOMA como entrada e produzirá previsões da composição química da amostra estudada, com base em seu treinamento.

 

“Quanto mais fizermos para otimizar a análise de dados, mais informações e tempo os cientistas terão para interpretar os dados”, disse Da Poian. “Dessa forma, podemos reagir rapidamente aos resultados e planejar os próximos passos como se estivéssemos lá com o rover, muito mais rápido do que antes.”

 

Buscando Sinais de Vida Passada

 

O que torna o rover Rosalind Franklin único - e o que os cientistas esperam que leve a novas descobertas - é que ele será capaz de perfurar cerca de 2 metros na superfície de Marte. Rovers anteriores só chegaram a cerca de 7 centímetros abaixo da superfície.

 

“Materiais orgânicos na superfície de Marte têm mais chances de serem destruídos pela exposição à radiação na superfície e aos raios cósmicos que penetram na subsuperfície”, disse Li, “mas dois metros de profundidade devem ser suficientes para proteger a maior parte da matéria orgânica. O MOMA, portanto, tem o potencial de detectar orgânicos antigos preservados, o que seria um passo importante na busca por vida passada.”

 

Explorações Futuras Pelo Sistema Solar Podem Ser Mais Autônomas

 

A busca por sinais de vida, passada ou presente, em mundos além da Terra é um grande esforço para a NASA e a comunidade científica em geral. Li e Da Poian veem potencial para seu algoritmo como um ativo para futuras explorações de alvos tentadores como as luas de Saturno, Titã e Encélado, e a lua de Júpiter, Europa.

 

O objetivo de longo prazo de Li e Da Poian é alcançar uma “autonomia científica” ainda mais poderosa, onde o espectrômetro de massas analisará seus próprios dados e até ajudará a tomar decisões operacionais autonomamente, aumentando dramaticamente a eficiência científica e da missão.

 

Isso será crucial à medida que as missões de exploração espacial visem corpos planetários mais distantes. A autonomia científica ajudaria a priorizar a coleta e comunicação de dados, alcançando, em última análise, muito mais ciência do que atualmente é possível em missões tão remotas.

 

“O sonho de longo prazo é uma missão altamente autônoma”, disse Da Poian. “Por enquanto, o algoritmo de aprendizado de máquina do MOMA é uma ferramenta para ajudar os cientistas na Terra a estudar esses dados cruciais mais facilmente.”

 

O projeto MOMA é liderado pelo Instituto Max Planck de Pesquisa do Sistema Solar (MPS) na Alemanha, com o investigador principal Dr. Fred Goesmann. A NASA Goddard desenvolveu e construiu o subsistema espectrômetro de massas MOMA, que medirá os pesos moleculares dos compostos químicos nas amostras marcianas coletadas.

 

O desenvolvimento do algoritmo de aprendizado de máquina foi financiado pelo programa de Pesquisa e Desenvolvimento Interno da NASA Goddard.

 

Brazilian Space

 

Brazilian Space 15 anos

Espaço que inspira, informação que conecta!