Exoplaneet WASP-12b Artistieke impressie credits; NASA / ESA / G. Bacon*
Giada Arney en haar collega Shawn Domagal-Goldman, beide astrobiologen van NASA’s Goddard Space Flight Center te Greenbelt, Maryland, hopen dat KI, en meer specifiek machine learning, hen en hun collega’s kan assisteren bij het sneller ontdekken van buitenaards leven in de datasets die nu en in de toekomst verzameld gaat worden door NASA telescopen zoals de James Webb. Machine learning is een type AI; het beschrijft de meest gebruikte algoritmen waarmee computers van gegevens kunnen leren om voorspellingen te doen en objecten veel sneller en nauwkeuriger te categoriseren dan een mens. Arney zegt hierover: “Deze technologieën zijn erg belangrijk in het exoplaneten veld, daar gegevens die we van toekomstige observaties zullen krijgen, schaars en wazig zullen zijn, en daardoor moeilijk te doorgronden. KI kan ons daarbij assisteren.” Arney en Domagal begeleidden een FDL team in 2018. Hun team ontwikkelde een machine learning-techniek die de atmosfeer van exoplaneten of planeten buiten ons zonnestelsel zou kunnen bestuderen.
3-D model Eros asteroïde credits; The Planetary Society
Ook hebben FDL-deelnemers een machine-learning programma ontwikkeld dat snel 3D-modellen van nabijgelegen asteroïden kon maken, waarbij hun vormen, afmetingen en spinsnelheid nauwkeurig konden worden geschat. Deze informatie is cruciaal voor snelle detectie. Traditioneel gebruiken astronomen eenvoudige computersoftware om 3D-modellen te ontwikkelen. “Een ervaren astronoom met standaard rekenkracht, kan in één tot drie maanden een enkele asteroïde vormen”, zegt Bill Diamond, president en CEO van SETI. Maar kan het sneller? Een FDL team ontwikkelde een algoritme dat een asteroïde in slechts vier dagen kon maken. Tegenwoordig wordt de techniek door astronomen op het Arecibo-observatorium in Puerto Rico gebruikt om vrijwel realtime vormmodellering van asteroïden te maken. De asteroïde modellering, samen met exoplanetaire atmosfeeranalyse, zijn een paar FDL-voorbeelden die de belofte tonen in het toepassen van geavanceerde algoritmen op datasets van NASA verzameld in rond de 100 missies. NASA verzamelt iedere 15 seconden ongeveer 2 gigabyte aan gegevens uit zijn vloot ruimtesondes maar men kan slechts een fractie van die gegevens analyseren omdat daarvoor de middelen ontbreken. Juist daarom is inzet van KI een mooi hulpmiddel. De mens vervangen zal het niet snel, men moet nog steeds de resultaten controleren. Bron: Space Daily / NASA
*Promovendi van resp. de Universiteit van OXford en Central Flordia leidde een studie om het vermogen van een “Bayesiaans” neuraal netwerk te testen tegen een veel gebruikt machine lerningtechniek bekend als ‘random forest’. De analyse van WASP-12b, een explaneet uit 2008. De wetenschappers kwamen er meteen achter dat hun neurale netwerk een betere nauwkeurigheid had dan ‘random forest’ bij het identificeren van de overvloed aan verschillende moleculen in de atmosfeer van WASP-12b.
Mensen kunnen door hun neurofysiologische en psychologische gesteldheid bepaalde dingen over het hoofd zien, bijvoorbeeld een gorilla op een foto. Zou een Kunstmatige Intelligentie het beter doen?
Lees over het gorilla probleem en de mogelijke blindheid voor non-aardse levensvormen:
“A cosmic gorilla effect could blind the detection of aliens”
https://www.sciencedaily.com/releases/2018/04/180410132835.htm
Dank voor de link naar dit interessante artikel. Het is goed om dit thema een vanuit een andere wetenschappelijke invalshoek te benaderen. Eigenlijk zou achter ‘buitenaards leven’ in mijn artikel, en meestal doe ik dat ook wel, de aanvulling moeten komen, ‘leven zoals wij dat kennen’. Echter misschien toont het zich in een voor ons onbekende vorm die wij niet kunnen bevatten of over over het hoofd zien. Of moeten we naar een herdefinitie van leven.
Ik denk echter dat men nog relatief kort aan het zoeken is en men hiervoor ook de middelen toe heeft, middelen die steeds verfijnder worden en waarmee meer ingezoomd kan worden op exoplaneten.