Bạn đã bao giờ nhìn lên bầu trời đêm và tự hỏi có gì ngoài những vì sao? . Chà, tất cả những câu hỏi này đều là những câu hỏi mà NASA cố gắng giải quyết hàng ngày
NASA tham gia vào tất cả các khía cạnh của không gian, từ nghiên cứu bầu khí quyển bên ngoài Trái đất đến tìm kiếm dấu hiệu sự sống trên các hành tinh khác. Và Machine Learning là một phần quan trọng trong khám phá không gian này vì nó là một công cụ cần thiết trong thời đại dữ liệu này. Lượng dữ liệu được tạo ra bởi các tàu vũ trụ và vệ tinh khác nhau của NASA là vô cùng lớn [Ví dụ, hãy xem xét rằng chỉ Khảo sát bầu trời kỹ thuật số Sloan sẽ tạo ra hơn 50 triệu hình ảnh về các thiên hà trong tương lai. ] và do đó Học máy là cần thiết để xác định các mẫu trong dữ liệu này, điều này sẽ dẫn đến những khám phá mới thú vị trong tương lai. Và đó không phải là tất cả. Machine Learning cũng có thể được sử dụng để theo dõi sức khỏe của phi hành gia trong không gian, xử lý việc sửa chữa tàu vũ trụ một cách thông minh, khám phá thêm các hành tinh trong các thiên hà khác và những điều tuyệt vời khác. Trên thực tế, khi nói đến Không gian và Máy học, thậm chí bầu trời cũng không có giới hạn
Vì vậy, bây giờ, hãy cùng xem một số ứng dụng hiện có hoặc đang được triển khai của Machine Learning cho NASA để bạn có thể hiểu rõ hơn về phạm vi của công nghệ tuyệt vời này trong khám phá không gian và cũng có ý tưởng về các ứng dụng trong tương lai của nó
1. Rovers tự lái trên sao Hỏa - Linh hồn và cơ hội Rovers
Bạn có nghĩ rằng Tesla, Google, Uber, v.v. là những người đầu tiên đầu tư mạnh vào ô tô tự lái? . Trên thực tế, NASA đã tạo ra công nghệ tự lái cho Mars Rovers gần một thập kỷ trước. Một hệ thống điều hướng và lái xe dựa trên Học máy dành cho các xe tự lái trên sao Hỏa được gọi là AutoNav đã thực sự được sử dụng trong các xe tự hành Spirit và Cơ hội hạ cánh trên sao Hỏa vào đầu năm 2004. Một chiếc xe tự hành khác được ra mắt vào năm 2011, Curiosity cũng sử dụng Autonav và nó là chiếc xe tự hành vẫn đang khám phá sao Hỏa cho đến nay với sứ mệnh tìm kiếm nước và các yếu tố khác có thể khiến sao Hỏa phù hợp với hoạt động thám hiểm của con người trong tương lai
Bây giờ bạn sẽ nghĩ rằng lái xe trên sao Hỏa tương đối dễ hơn lái xe trên những con đường tắc nghẽn trên Trái đất. Nhưng nó không dễ dàng như vậy. Trong khi AutoNav không phải lo lắng về việc xe tự hành đâm vào các phương tiện khác hoặc con người [Chưa tìm thấy sự sống trên sao Hỏa. ], bề mặt của Sao Hỏa rất nhiều đá nên hệ thống định vị phải đảm bảo rằng tàu thám hiểm không va vào đá hoặc cồn cát trơn trượt khiến nó bị mắc kẹt vĩnh viễn
Xe thám hiểm sao Hỏa của NASA
Nguồn hình ảnh – NASA
Một ứng dụng khác của Học máy trong xe tự hành trên sao Hỏa là một thuật toán có tên AEGIS [Khám phá tự trị để thu thập khoa học gia tăng] xác định các thành tạo đá trên sao Hỏa có thể thú vị bằng cách sử dụng Học máy. Điều này là do xe tự hành không thể gửi tất cả các hình ảnh về sao Hỏa . Vì vậy, AEGIS quyết định những bức ảnh nào có thể thú vị hoặc quan trọng, sau đó xe tự hành gửi chúng trở lại Trái đất để các nhà khoa học NASA nghiên cứu.
2. Y học trong không gian – Khả năng khám phá y tế [ExMC]
Giờ đây, các phi hành gia đang di chuyển ngày càng xa hơn vào không gian bên ngoài quỹ đạo Trái đất, điều gì sẽ xảy ra nếu họ cần trợ giúp y tế? . Vì lý do này, NASA đang nghiên cứu Khả năng Khám phá Y tế sẽ sử dụng Học máy để phát triển các lựa chọn chăm sóc sức khỏe dựa trên nhu cầu y tế dự đoán trong tương lai của các phi hành gia. Các tùy chọn chăm sóc sức khỏe này sẽ được tạo ra bởi các bác sĩ và bác sĩ phẫu thuật được chứng nhận và họ sẽ học hỏi và phát triển theo thời gian theo kinh nghiệm của phi hành gia
Khả năng khám phá y tế – Đây là hình dáng bên trong của môi trường y tế tương lai trong không gian
Nguồn hình ảnh – NASA
Nói chung, mục đích chính của Năng lực Y tế Khám phá là giúp các phi hành gia luôn khỏe mạnh trong không gian [Đặc biệt là trong các nhiệm vụ dài và xa]. Và không giống như những gì truyện tranh nói với bạn về không gian, một số rủi ro sức khỏe phổ biến liên quan đến du hành vũ trụ là nguy cơ bức xạ, thách thức môi trường khắc nghiệt, các vấn đề do thay đổi trọng lực, v.v. Trong những tình huống này, các phi hành gia không thể liên hệ trực tiếp với các bác sĩ trên Trái đất vì có độ trễ về thời gian và vì vậy ExMC sử dụng máy học để cung cấp dịch vụ chăm sóc y tế tự chủ với sự trợ giúp của các công nghệ y tế từ xa
3. Tìm các hành tinh khác trong vũ trụ – Planetary Spectrum Generator
Tôi chắc chắn rằng tôi không cần phải nói với bạn rằng vũ trụ rất lớn. NASA tin rằng có khoảng 100 tỷ ngôi sao trong thiên hà và trong số đó có khoảng 40 tỷ ngôi sao có thể có sự sống. Đây không phải là khoa học viễn tưởng, NASA thực sự tin rằng một ngày nào đó chúng ta có thể tìm thấy người ngoài hành tinh. Nhưng để phát hiện ra người ngoài hành tinh, trước tiên NASA cần khám phá ngày càng nhiều hành tinh mới trong các hệ mặt trời khác nhau. Sau khi các ngoại hành tinh này được phát hiện, NASA sẽ đo quang phổ khí quyển của các hành tinh này để tìm xem liệu có khả năng tồn tại sự sống hay không.
Mặc dù các bước này đủ phức tạp, nhưng vấn đề là không có dữ liệu thực để thử nghiệm. Vì vậy, các nhà khoa học của NASA chỉ cần tạo dữ liệu cần thiết và đó là lúc Machine Learning xuất hiện. Máy tạo quang phổ hành tinh là một công cụ mà NASA sử dụng để tạo quỹ đạo 3-D và đặc tính khí quyển của các ngoại hành tinh mà họ tìm thấy. Để tạo ra một mô hình hoạt động cho hệ mặt trời, các nhà khoa học sử dụng hồi quy tuyến tính cũng như mạng lưới thần kinh tích chập. Sau đó, tinh chỉnh thêm được tiến hành trên mô hình trước khi nó sẵn sàng để đào tạo
Nguồn hình ảnh - NASA
Hình ảnh trên cho thấy kết quả được tạo ra cho một ngoại hành tinh thể hiện lượng nước và khí mê-tan trong khí quyển. Như bạn có thể thấy trong biểu đồ CH4 và H2O, các đường màu đen biểu thị các dự đoán đã được thực hiện bằng Máy học và các đường màu đỏ biểu thị các phát hiện thực tế. Như bạn có thể thấy mô hình ML được đào tạo khá chính xác trong tình huống này
4. Người Máy Phi Hành Gia – The Robonaut
Bạn có nghĩ rằng các phi hành gia chỉ có thể là con người?. Chà, thông thường bạn sẽ đúng nhưng NASA đã phát triển một phi hành gia người máy. Khoa học viễn tưởng cuối cùng cũng trở thành sự thật. Robonaut chủ yếu được phát triển để làm việc cùng với các phi hành gia trong không gian và giúp họ hoàn thành các nhiệm vụ khá nguy hiểm đối với con người. Điều này là cần thiết vì nó sẽ tăng khả năng nghiên cứu và khám phá của NASA trong không gian, từ đó cho phép chúng ta tìm hiểu thêm về hệ mặt trời
Robonaut trên Trạm vũ trụ quốc tế
Nguồn hình ảnh – NASA
Như bạn có thể thấy từ hình ảnh này, Robonaut hiện là người trợ giúp thiết yếu trong không gian. Để đạt được điều này, Robonaut về cơ bản sử dụng Machine Learning để “suy nghĩ” cho chính nó. Vì vậy, các nhà khoa học hoặc phi hành gia có thể giao nhiệm vụ cho Robonaut và nó tìm ra cách thực hiện chúng. Nhìn chung, Robonaut cũng có nhiều ưu điểm hơn người thường như cảm biến tiên tiến, tốc độ cực cao, thiết kế nhỏ gọn và tính linh hoạt cao hơn hẳn. Có rất nhiều công nghệ tiên tiến đã được sử dụng để phát triển Robonaut, bao gồm các cảm biến cảm ứng ở đầu ngón tay, phạm vi di chuyển đầy đủ của cổ, camera độ phân giải cao và hệ thống hồng ngoại, cử động ngón tay cái và ngón tay cái tiên tiến, v.v.
5. Điều hướng trên Mặt trăng – Deep Learning Planetary Navigation
Điều gì sẽ xảy ra nếu bạn bị lạc trên Trái đất? . Bạn chỉ có thể sử dụng GPS để đến đích mà không gặp vấn đề gì. Nhưng nếu bạn bị lạc trên Mặt trăng thì sao?. Chà, bạn nên hy vọng ai đó tìm thấy bạn vì GPS không hoạt động trên mặt trăng. Hoặc ít nhất nó đã không cho đến bây giờ. Hiện tại, Phòng thí nghiệm Phát triển Biên giới của NASA đang thực hiện dự án cung cấp khả năng điều hướng trên bề mặt của các thiên thể bao gồm cả mặt trăng. Dự án này về cơ bản nhằm mục đích cung cấp GPS ngay cả trên bề mặt mặt trăng mà không cần sử dụng nhiều vệ tinh rất đắt tiền. Và đó không phải là một nhiệm vụ dễ dàng khi nhớ đến bề mặt mặt trăng đầy đá và cằn cỗi
Nguồn hình ảnh - NASA
Điều này được thực hiện bằng cách cung cấp cho Hệ thống Máy học rất nhiều hình ảnh của mặt trăng [2. 4 triệu trong trường hợp này, may mắn là NASA đã có. ] và sau đó tạo phiên bản ảo của mặt trăng bằng mạng thần kinh. Sau đó, nếu bạn bị lạc trên Mặt trăng, bạn có thể chụp ảnh môi trường xung quanh và Hệ thống Máy học sẽ có thể lập tam giác vị trí của bạn trên mặt trăng bằng cách so sánh hình ảnh của bạn với cơ sở dữ liệu hình ảnh đã được tạo của bề mặt mặt trăng cấu thành mặt trăng ảo. Mặc dù kỹ thuật này không hoàn hảo [chưa. ], nó vẫn tốt hơn nhiều so với bất kỳ thứ gì đã có sẵn và có thể được sử dụng trên bất kỳ bề mặt hành tinh nào, không chỉ mặt trăng. Và NASA đã hy vọng rằng nó có thể được sử dụng trên sao Hỏa tiếp theo trong trường hợp có ai đó bị lạc trên hành tinh đỏ