¿Podrían los mismos algoritmos informáticos que enseñan a los coches autónomos a conducir de forma segura ayudar a identificar asteroides cercanos o descubrir vida en el universo? Los científicos de la NASA están tratando de averiguarlo asociándose con pioneros en inteligencia artificial (IA), empresas como Intel, IBM y Google:para aplicar algoritmos informáticos avanzados a los problemas de la ciencia espacial.

El aprendizaje automático es un tipo de IA. Describe los algoritmos y otras herramientas más utilizados que permiten a las computadoras aprender de los datos para hacer predicciones y categorizar objetos mucho más rápido y con mayor precisión que un ser humano. Como consecuencia, El aprendizaje automático se usa ampliamente para ayudar a las empresas de tecnología a reconocer rostros en las fotos o predecir qué películas disfrutarían las personas. Pero algunos científicos ven aplicaciones mucho más allá de la Tierra.

Giada Arney, un astrobiólogo del Goddard Space Flight Center de la NASA en Greenbelt, Maryland, espera que el aprendizaje automático pueda ayudarla a ella y a sus colegas a encontrar una aguja de vida en un pajar de datos que serán recopilados por futuros telescopios y observatorios como el telescopio espacial James Webb de la NASA.

"Estas tecnologías son muy importantes, especialmente para grandes conjuntos de datos y especialmente en el campo de exoplanetas, "Dice Arney." Porque los datos que obtendremos de las observaciones futuras serán escasos y ruidosos. Va a ser muy difícil de entender. Por lo tanto, el uso de este tipo de herramientas tiene mucho potencial para ayudarnos ".

Para ayudar a científicos como Arney a crear herramientas de investigación de vanguardia, Laboratorio de Desarrollo Fronterizo de la NASA, o FDL, reúne a innovadores de tecnología y espacio durante ocho semanas cada verano para intercambiar ideas y desarrollar códigos informáticos. El programa de cuatro años es una asociación entre el Instituto SETI y el Centro de Investigación Ames de la NASA, ambos con sede en Silicon Valley, donde abundan las incubadoras de nuevas empresas que reúnen a personas talentosas para acelerar el desarrollo de tecnologías innovadoras.

En la versión de la NASA, FDL empareja a estudiantes de doctorado en ciencias e ingeniería informática con expertos de la agencia espacial, academia, y algunas de las empresas de tecnología más grandes del mundo. Las empresas asociadas aportan varias combinaciones de hardware, algoritmos, recursos de supercomputación, fondos, instalaciones y expertos en la materia. Todas las técnicas de IA desarrolladas en FDL estarán disponibles públicamente, algunos ya están ayudando a identificar asteroides, encontrar planetas, y predecir eventos extremos de radiación solar.

"FDL se siente como unos músicos realmente buenos con diferentes instrumentos reuniéndose para una jam session en el garaje, encontrando algo realmente genial, y diciendo "Oye, tenemos una banda aquí, "" dice Shawn Domagal-Goldman, un astrobiólogo Goddard de la NASA que, junto con Arney, fue mentor de un equipo de FDL en 2018. Su equipo desarrolló una técnica de aprendizaje automático para científicos que tienen como objetivo estudiar las atmósferas de exoplanetas, o planetas más allá de nuestro sistema solar.

Estos científicos de Goddard esperan algún día utilizar técnicas avanzadas de aprendizaje automático para interpretar rápidamente los datos que revelan la química de los exoplanetas en función de las longitudes de onda de la luz emitida o absorbida por las moléculas en sus atmósferas. Dado que hasta ahora se han descubierto miles de exoplanetas, tomar decisiones rápidas sobre cuáles tienen la química más prometedora asociada con la habitabilidad podría ayudar a reducir a los candidatos a solo unos pocos que merecen más, y costoso, investigación.

Para tal fin, el equipo de FDL Arney y Domagal-Goldman ayudaron a asesorar, con el soporte técnico de Google AI, implementó una técnica conocida como "red neuronal". Esta tecnología puede resolver problemas súper complicados en un proceso análogo al funcionamiento del cerebro. En una red neuronal miles de millones de "neuronas, "que son células nerviosas en el cerebro que nos ayudan a formar recuerdos y tomar decisiones, conectarse con miles de millones de personas para procesar y transmitir información. Estudiante de posgrado en ciencias de la computación de la Universidad de Oxford, Adam Cobb, junto con Michael D. Himes, un estudiante de posgrado en física de la Universidad de Florida Central, dirigió un estudio para probar la capacidad de una red neuronal "bayesiana" frente a una técnica de aprendizaje automático ampliamente utilizada conocida como "bosque aleatorio". Otro equipo de investigadores no asociado con FDL ya había utilizado este último método para analizar la atmósfera de WASP-12b, un exoplaneta descubierto en 2008, basado en montañas de datos recopilados por el telescopio espacial Hubble de la NASA. ¿Podría funcionar mejor la red neuronal bayesiana? se preguntó el equipo?

"Descubrimos de inmediato que la red neuronal tenía mejor precisión que el bosque aleatorio en la identificación de la abundancia de varias moléculas en la atmósfera de WASP-12b, "Dice Cobb.

Pero además de una mejor precisión, la técnica bayesiana ofrecía algo igualmente crítico:podía decirles a los científicos qué tan seguro estaba de su predicción. "En lugares donde los datos no eran lo suficientemente buenos como para dar un resultado realmente preciso, este modelo sabía mejor que no estaba seguro de la respuesta, que es realmente importante si vamos a confiar en estas predicciones, "Domagal-Goldman.

Si bien la técnica desarrollada por este equipo aún está en desarrollo, otras tecnologías FDL ya se han adoptado en el mundo real. Para 2017, Los participantes de FDL desarrollaron un programa de aprendizaje automático que podría crear rápidamente modelos 3D de asteroides cercanos, estimar con precisión sus formas, tamaños y tasas de centrifugado. Esta información es fundamental para los esfuerzos de la NASA para detectar y desviar asteroides amenazantes de la Tierra.

Tradicionalmente, Los astrónomos utilizan un software informático sencillo para desarrollar modelos tridimensionales. El software analiza muchas mediciones de radar de un asteroide en movimiento y luego ayuda a los científicos a inferir sus propiedades físicas basándose en cambios en la señal del radar.

"Un astrónomo experto con recursos informáticos estándar, podría dar forma a un solo asteroide en uno a tres meses, "dice Bill Diamond, Presidente y director ejecutivo de SETI. "Así que la pregunta para el equipo de investigación fue:¿Podemos acelerarlo?"

La respuesta fue sí. El equipo, que incluía estudiantes de Francia, Sudáfrica y Estados Unidos, además de mentores del mundo académico y de la empresa de tecnología Nvidia, desarrolló un algoritmo que podía representar un asteroide en tan solo cuatro días. Hoy dia, La técnica es utilizada por astrónomos en el Observatorio de Arecibo en Puerto Rico para hacer modelos de formas de asteroides casi en tiempo real.

El modelado de asteroides, junto con el análisis de la atmósfera exoplanetaria, son un par de ejemplos de FDL que muestran la promesa de aplicar algoritmos sofisticados a los volúmenes de datos recopilados por las más de 100 misiones de la NASA.

Como señala el heliofísico de la NASA Madhulika (Lika) Guhathakurta, la agencia espacial recopila alrededor de 2 gigabytes de datos (y creciendo) cada 15 segundos de su flota de naves espaciales. "Pero analizamos solo una fracción de esos datos, porque tenemos gente limitada, tiempo y recursos. Es por eso que necesitamos utilizar más estas herramientas, " ella dice.

Líder en misiones centradas en comprender y predecir los efectos del sol en la Tierra, tecnología y astronautas en el espacio, Guhathakurta ha estado con FDL durante los últimos tres años y ha sido un arquitecto clave en la configuración de este programa. Apoyó a un equipo en 2018 que resolvió un problema con un sensor que funcionaba mal en el Observatorio de Dinámica Solar (SDO) de la NASA. una nave espacial que estudia la influencia del sol en la Tierra y el espacio cercano a la Tierra.

En 2014, solo cuatro años después del lanzamiento de la misión, un sensor dejó de devolver datos relacionados con los niveles de radiación ultravioleta extrema (EUV), información que se correlaciona con un globo de la atmósfera exterior de la Tierra y, por lo tanto, afecta la longevidad de los satélites, incluida la Estación Espacial Internacional. Entonces, los estudiantes de doctorado en ciencias de la computación de la Universidad de Stanford y la Universidad de Amsterdam, entre otros, con mentores de organizaciones como IBM, Lockheed Martin, y SETI, desarrolló una técnica que podría, esencialmente, Complete los datos faltantes del sensor roto. Su programa de computadora podría hacer esto analizando datos de otros instrumentos SDO, junto con los datos antiguos recopilados por el sensor roto durante los cuatro años que estuvo funcionando, para inferir qué niveles de radiación EUV habría detectado ese sensor en función de lo que estaban observando los otros instrumentos SDO en un momento dado. "Generamos, básicamente, un sensor virtual, "Dice Guhathakurta.

Nadie pierde el potencial de este tipo de instrumento. Cabeza SETI, Diamante, imagina un futuro donde estas herramientas virtuales se incorporan en naves espaciales, una práctica que permitiría un uso más ligero, misiones menos complejas y, por tanto, más económicas. Domagal-Goldman y Arney prevén futuras misiones de exoplanetas en las que las tecnologías de inteligencia artificial integradas en las naves espaciales sean lo suficientemente inteligentes como para tomar decisiones científicas en tiempo real. ahorrando las muchas horas necesarias para comunicarse con los científicos de la Tierra.

"Los métodos de IA nos ayudarán a liberar el poder de procesamiento de nuestros propios cerebros al hacer gran parte del trabajo preliminar en tareas difíciles, ", Dice Arney." Pero estos métodos no reemplazarán a los humanos en el corto plazo, porque todavía tendremos que comprobar los resultados ".