El Instituto SETI y el Laboratorio de Desarrollo de Fronteras (FDL.ai) anuncian el lanzamiento de SpaceML.org. SpaceML es un recurso que pone a disposición de los investigadores que trabajan en ciencia y exploración espaciales conjuntos de datos preparados para IA. permitiendo una rápida experimentación y reproducibilidad.

SpaceML Repo es una caja de herramientas de aprendizaje automático y un recurso administrado por la comunidad que permite a los investigadores participar de manera más efectiva en la inteligencia artificial para la ciencia y la exploración espaciales. Está diseñado para ayudar a cerrar la brecha entre el almacenamiento de datos, intercambio de código y análisis del lado del servidor (nube).

SpaceML.org incluye conjuntos de datos listos para análisis, proyectos de ciencia espacial y herramientas MLOPS diseñadas para acelerar los flujos de trabajo de IA existentes a nuevos casos de uso. Los conjuntos de datos y proyectos se basan en cinco años de aplicación de inteligencia artificial de vanguardia completados por equipos de FDL de doctores en AI / ML y dominios de ciencia multidisciplinarios en asociación con la NASA. Socios comerciales de la ESA y FDL. Las áreas de desafío incluyen ciencias de la tierra, exploración lunar, astrobiología, defensa planetaria, medicina de exploración, respuesta al desastre, heliofísica y clima espacial.

"Las aplicaciones más impactantes y útiles de la inteligencia artificial y las técnicas de aprendizaje automático requieren conjuntos de datos que se hayan preparado adecuadamente, organizado y estructurado para tales enfoques, "dijo Bill Diamond, CEO del Instituto SETI. "Cinco años de investigación de FDL en una amplia gama de dominios científicos han permitido el establecimiento de una serie de conjuntos de datos listos para el análisis que estamos encantados de poner a disposición de la comunidad de investigación en general".

FDL aplica tecnologías de inteligencia artificial y aprendizaje automático (ML) a la ciencia para ampliar las fronteras de la investigación y desarrollar nuevas herramientas que ayuden a resolver algunos de los mayores desafíos de la humanidad. tanto aquí en la Tierra como en el espacio.

Los proyectos alojados en SpaceML.org para la comunidad de investigación incluyen:

• Un proyecto que aborda el problema de cómo usar ML para calibrar automáticamente los instrumentos espaciales utilizados para observar el Sol. Después de años de exposición a nuestra estrella, estos instrumentos se degradan con el tiempo, un poco como cataratas. La recalibración requiere costosos cohetes sonoros. Usando ML, el equipo ha podido aumentar los datos, en efecto, "eliminando" las cataratas.

  "El obstáculo para que muchos investigadores comiencen a utilizar el conjunto de datos SDOML, y comenzar a desarrollar soluciones de AA, es la fricción que experimentan al arrancar por primera vez, "dijo Mark Cheung, Físico senior de Lockheed Martin e investigador principal del Observatorio de Dinámica Solar de la NASA / Asamblea de Imágenes Atmosféricas. "SpaceML les da un impulso al reducir el esfuerzo necesario para el análisis de datos exploratorios y la implementación del modelo. También demuestra la reproducibilidad en acción".

• Otro proyecto demuestra cómo la reducción de datos de una red de vigilancia de meteoros conocida como CAMS (Cámaras para vigilancia de meteoros Allsky) podría automatizarse para identificar nuevos cúmulos de lluvias de meteoros, potencialmente los rastros de antiguos cometas que cruzan la Tierra. Desde que se puso en marcha la tubería de IA, se han descubierto un total de nueve nuevas lluvias de meteoritos a través de CAMS.

  "SpaceML ayudó a acelerar el impacto al incorporar un equipo de científicos ciudadanos que desplegaron un clasificador de meteoros interpretable de aprendizaje activo y de inteligencia artificial para automatizar los conocimientos, permitiendo a los astrónomos la investigación enfocada para el proyecto SETI CAMS, "dijo Siddha Ganju, Arquitecto de IA de instrumentos médicos y de conducción autónoma, Nvidia (miembro fundador de CAMS de SpaceML y Worldview Search Initiatives). "Durante SpaceML, (1) estandarizamos la canalización de procesamiento para procesar el conjunto de datos de meteoritos de una década recopilados por CAMS, y, estableció el clasificador de meteoritos de última generación con una estrategia de aumento única; (2) habilitó el aprendizaje activo en la canalización de CAMS para automatizar los conocimientos; y, (3) actualizó el portal de lluvia de meteoritos CAMS de la NASA, que ahora incluye puntos de referencia celestes y una herramienta de comunicación científica. Y lo mejor es que los futuros científicos ciudadanos pueden participar en el proyecto CAMS basándose en los modelos capacitados de acceso público. guiones, y herramientas web ".

  SpaceML también alberga INARA (Intelligent ExoplaNET Atmospheric RetrievAI), una tubería para la recuperación atmosférica basada en un conjunto de datos sintetizados de tres millones de espectros planetarios, para detectar evidencia de posible actividad biológica en atmósferas de exoplanetas; en otras palabras, "¿Estamos solos?"

  SpaceML.org busca conservar un repositorio central de cuadernos de proyectos y conjuntos de datos generados a partir de proyectos similares a los enumerados anteriormente. Estos repositorios de proyectos contienen un cuaderno "Co-Lab" de Google que guía a los usuarios a través del conjunto de datos e incluye un pequeño fragmento de datos para una prueba rápida antes de comprometerse con el conjunto de datos completo (que invariablemente son muy grandes).

  Los proyectos también albergan el conjunto de datos completo utilizado para los desafíos, que puede estar disponible a pedido. Adicionalmente, SpaceML busca facilitar la gestión de nuevos conjuntos de datos que resultan de la investigación en curso y, a su debido tiempo, ejecutar torneos para invitar a mejoras en los modelos (y datos) de ML en comparación con los puntos de referencia conocidos.

  "Nos preocupaba cómo hacer que nuestra investigación sobre IA fuera más reproducible, "dijo James Parr, Director y CEO de FDL, Tecnologías Trillium. "Nos dimos cuenta de que la mejor manera de hacer esto era hacer que los datos fueran fácilmente accesibles, pero también que necesitábamos simplificar tanto el proceso de incorporación, experimentación inicial y proceso de adaptación del flujo de trabajo ".

  "El problema con la reproducibilidad de la IA no es necesariamente, 'no inventado aquí' - es más, "no hay tiempo suficiente para intentarlo". Pensamos que si podíamos compartir datos listos para el análisis, permitir una experimentación rápida del lado del servidor y un buen control de versiones, sería lo mejor ayudar a que la comunidad utilizara estas herramientas para beneficio de todos ".

  FDL lanza su programa 2021 el 16 de junio, 2021, con investigadores en los EE. UU. que abordan siete desafíos en las áreas de heliofísica, Salud del astronauta, Ciencias planetarias y ciencias de la tierra. El programa culminará a mediados de agosto, con equipos mostrando su trabajo en un evento virtual.