به گزارش کارگروه فناوری اطلاعات سایبربان؛ محققان ناسا سخت مشغول کار روی یک سیستم هوش مصنوعی آزمایشی برای کمک به مأموریت‌های اکتشاف آینده در یافتن شواهدی از حیات در سایر سیارات منظومه شمسی هستند. الگوریتم‌های یادگیری ماشینی به دستگاه‌های اکتشافی کمک می‌کند تا نمونه‌های خاک در مریخ را تجزیه و تحلیل کند و مناسب‌ترین داده‌ها را به ناسا بازگرداند. این برنامه در حال حاضر یک اجرای آزمایشی در طول مأموریت مریخ‌نورد «ExoMars» داشته که اواسط سال آینده پرتاب خواهد شد.
به گزارش «IEEE Spectrum»، تصمیم به استفاده از یادگیری ماشینی و هوش مصنوعی برای کمک به جستجوی حیات در سایر سیارات بیشتر به‌وسیله اریس لینِس (Erice Lyness)، رئیس آزمایشگاه محیطهای سیاره گدارد (Goddard ) در ناسا انجام شد. لینِس باید به روش‌های خودکارسازی جنبه‌های تجزیه و تحلیل ژئوشیمیایی نمونه‌های گرفته شده در سایر قسمت‌های منظومه شمسی می‌پرداخت. وی معتقد است که یادگیری ماشینی می‌تواند به خودکارسازی مواردی در کارهای اکتشافی، مثلاً در مریخ، از جمله جمع‌آوری و تجزیه و تحلیل نمونه‌های خاک این سیاره کمک کند.
مریخ نورد اگزومارس موسوم به «Roslanind Franklin» قادر به حفاری حداقل 2 متر در عمق خاک مریخ خواهد بود. در این عمق، هر میکروب زنده در اثر تابش اشعه ماوراء بنفش خورشید کشته نمی‌شود. درنتیجه مریخ نورد می‌تواند باکتری‌های زنده را پیدا کند. حتی اگر هیچ نمونه‌ای از باکتری‌های زنده پیدا نشود، مته شاید شواهدی از حیات را در گذشته مریخ بیابد؛ نمونه‌های یافته شده به‌وسیله مته مریخ نورد، به منظور تجزیه و تحلیل به ابزاری به نام طیف‌سنج جرمی داده می‌شود.
هدف طیف‌سنج جرمی، مطالعه توزیع جرم در یون‌های یافت شده در یک نمونه معین است. این کار با استفاده از لیزر در نمونه خاک حاصل می‌شود، مولکول‌ها را در نمونه خاک آزاد می‌کند و سپس محاسبه توده اتمی از مولکول‌های مختلف را انجام می‌دهد. این فرآیند طیف گسترده‌ای را تولید می‌کند که محققان برای کشف علل الگوهای مشاهده شده آنالیز خواهند کرد. با این حال، مشکلی با طیف‌های ایجاد شده به‌وسیله طیف‌سنج جرمی وجود دارد. ترکیبات متنوع، طیف‌های مختلفی را تولید می‌کند. تجزیه و تحلیل طیف جرم و تعیین ترکیبات موجود در نمونه بسیار سخت است، اما الگوریتم‌های یادگیری ماشینی می‌توانند به حل این مشکل کمک کنند.
محققان در حال مطالعه ماده معدنی به نام مونت موریلونیت (Montmorillonite ) هستند. مونت موریلونیت معمولاً در خاک مریخ یافت می‌شود و کارشناسان قصد دارند نحوه شکل‌گیری این ماده معدنی در یک طیف جرمی را کشف کنند. تیم محققان با مشاهده نمونه‌های مونت موریلونیت، تغییر خروجی طیف‌سنج جرمی را بررسی می‌کنند و درمورد شکل ماده معدنی در طیف‌سنج جرمی نتایجی به‌دست می‌آید. الگوریتم‌های هوش مصنوعی به محققان در استخراج الگوهای معنیدار از طیف‌سنج جرمی کمک می‌کند.
لینِس در گفتگو با IEEE Spectrum اظهار داشت :
«تجزیه و تحلیل یک طیف و مشاهده حداکثری در توده‌های واقعی در طیف به زمان زیادی نیاز دارد. بنابراین تنها کاری که باید انجام دهید، این است که محققان را به سمتی سوق دهید که به شما بگویند : نگران نباشید، خیلی سریع تجزیه و تحلیل انجام می‌شود.»
به گفته رئیس آزمایشگاه محیطهای سیاره گدارد در ناسا، مأموریت اگزومارس یک آزمایش عالی برای الگوریتم‌های هوش مصنوعی خواهد بود که برای کمک به تفسیر طیف‌های دسته جمعی تولید شده به‌وسیله نمونه‌ها طراحی شده‌اند.
برنامه های بالقوه دیگری برای هوش مصنوعی و یادگیری ماشینی در زمینه اخترشناسی وجود دارند. هواپیمای بدون سرنشین «Dragonfly» و احتمالاً یک مأموریت آینده دیگر از زمین و محیطهای سخت تر دورتر انجام خواهند شد که به خودکارسازی جنبه‌های هوانوردی و انتقال داده نیاز دارند.
