8 december 2019

NASA en computerbedrijven bundelen Kunstmatige Intelligentie krachten voor snellere ontdekking buitenaards leven

Kan Kunstmatige Intelligentie helpen leven elders in het universum te ontdekken?  NASA-wetenschappers slaan daarvoor de handen ineen met experts op KI gebied van de grote computerbedrijven Intel, IBM en Google, om geavanceerde computeralgoritmen toe te passen op onder meer dit complexe vraagstuk. NASA heeft hiervoor een apart vierjarig programma ontwikkeld, het Frontier Development Lab of FDL. Het FDL brengt elke zomer gedurende acht weken technologie- en ruimtepioniers samen om te brainstormen en computercode te ontwikkelen en is een samenwerking tussen het SETI-Instituut en het Ames Research Center van NASA, beide gevestigd in Silicon Valley, Californië. NASA koppelt FDL wetenschaps- computertechnologie promovendi aan experts van enkele van ‘s werelds grootste technologiebedrijven. Partnerbedrijven dragen verschillende combinaties van hardware, algoritmen, supercomputers, financiering, faciliteiten en materiedeskundigen bij. Alle bij FDL ontwikkelde technieken zullen publiek beschikbaar zijn, en sommige technieken worden reeds ingezet voor het identificeren van asteroïden, het vinden van exoplaneten en het voorspellen van extreme zonneactiviteit.

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.

 

Deze Goddard-wetenschappers hopen met gebruik van machine learning-technieken snel gegevens te interpreteren die de chemie van exoplaneten onthullen op basis van de golflengten van licht dat wordt uitgezonden of geabsorbeerd door moleculen in hun atmosfeer. Aangezien tot nu toe duizenden exoplaneten zijn ontdekt, kan het nemen van snelle beslissingen over welke de meest veelbelovende chemie in verband met bewoonbaarheid hebben, helpen snel het aantal kandidaten terug te brengen naar slechts enkele die verder en duur onderzoek verdienen. Het FDL team Arney en Domagal-Goldman werkten met technische ondersteuning van Google AI’s neurale netwerken. Deze KNN** computersystemen, zijn geïnspireerd door biologische neurale netwerken. De techniek kan zeer gecompliceerde problemen oplossen in een proces analoog aan de werking van de hersenen.  Ze ‘leren’ taken uit te voeren door voorbeelden te overwegen, meestal zonder te zijn geprogrammeerd met taakspecifieke regels.

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.

 

**Kunstmatig Neuraal Netwerk (KNN): computersystemen die zijn geïnspireerd door biologische neurale netwerken. Ze ‘leren’ taken uit te voeren door voorbeelden te overwegen, meestal zonder te zijn geprogrammeerd met taakspecifieke regels. Bij beeldherkenning leren ze bijvoorbeeld afbeeldingen te identificeren die honden bevatten door voorbeeldafbeeldingen te analyseren die handmatig zijn gelabeld als ‘hond’ of ‘geen hond’ en de resultaten te gebruiken om honden in andere afbeeldingen te identificeren. Ze doen dit zonder enige voorkennis van honden. In plaats daarvan genereren ze automatisch identificerende kenmerken uit de voorbeelden die ze verwerken.Voer zo’n NN of ‘kunstbrein’ voldoende foto’s en het kan je moeiteloos vertellen of je op een foto een hond ziet of een wolf.

Comments

  1. Wybren de Jong zegt

    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

    • Angele van Oosterom zegt

      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.

Speak Your Mind

*

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.

%d bloggers liken dit: