През 2023 г. НАСА планира да пусне на пазара Europa Clipper мисия, роботизиран изследовател, който ще изучава загадъчната луна Европа на Юпитер. Целта на тази мисия е да изследва ледената обвивка и вътрешността на Европа, за да научите повече за състава, геологията и взаимодействието на луната между повърхността и подземната повърхност. Най-вече целта на тази мисия е да хвърли светлина върху това дали животът може да съществува във вътрешния океан на Европа или не.
Това представя множество предизвикателства, много от които произтичат от факта, че Europa Clipper ще бъде много далеч от Земята, когато провежда своите научни операции. За да се справи с това, екип от изследователи от лабораторията за реактивни двигатели на НАСА (JPL) и Аризонския държавен университет (ASU) разработиха серия от алгоритми за машинно обучение, които ще позволят на мисията да изследва Европа със степен на автономност.
Как тези алгоритми могат да помогнат при бъдещи мисии за проучване в дълбоки космически пространства, бяха предмет на презентация, проведена миналата седмица (7 август) на 25-та конференция на ACM SIGKDD за откриване на знания и извличане на данни в Анкоридж, Аляска. Тази годишна конференция обединява изследователи и практици в областта на науката за данни, извличането на данни и аналитика от цял свят, за да обсъди най-новите разработки и приложения в тази област.
Когато се стигне до него, общуването с мисии в дълбоки пространства е отнемаща време и трудна работа. Когато общувате с мисии на повърхността на Марс или в орбита, може да отнеме сигнал до 25 минути, за да ги достигне от Земята (или отново обратно). От друга страна, изпращането на сигнали до Юпитер може да отнеме от 30 минути до час, в зависимост от това къде се намира в орбитата му спрямо Земята.
Както авторите отбелязват в своето проучване, дейностите на космическите кораби обикновено се предават по предварително планиран сценарий, а не чрез команди в реално време. Този подход е много ефективен, когато позицията, околната среда и други фактори, влияещи на космическия кораб, са известни или могат да се предвидят предварително. Това обаче означава също, че контрольорите на мисии не могат да реагират на неочаквани развития в реално време.
Както д-р Кири Л. Уагстаф, главен изследовател от групата за машинно обучение и инструментална автоматика на NASA JPL, обясни пред Space Magazine по имейл:
„Изследването на свят, който е твърде далечен, за да позволи пряк човешки контрол, е предизвикателство. Всички дейности трябва да бъдат предварително написани. Бързият отговор на нови открития или промени в околната среда изисква самия космически кораб да взема решения, които наричаме автономност на космическите кораби. Освен това оперирането на близо милиард километра от Земята означава, че скоростите на предаване на данни са много ниски.
“Способността на космическия кораб да събира данни надвишава това, което може да бъде изпратено обратно. Това повдига въпроса кои данни трябва да се събират и как трябва да се даде приоритет. И накрая, в случай на Европа, космическият кораб също ще бъде бомбардиран от интензивно излъчване, което може да повреди данните и да причини рестартиране на компютъра. Справянето с тези опасности също изисква автономно вземане на решения. "
Поради тази причина д-р Вагстаф и нейните колеги започнаха да търсят възможни методи за анализ на данни на борда, които биха работили навсякъде и винаги, когато не е възможен пряк човешки надзор. Тези методи са особено важни при справяне с редки, преходни събития, чието възникване, местоположение и продължителност не могат да бъдат предвидени.
Те включват явления като прашните дяволи, които са наблюдавани на Марс, метеоритни въздействия, мълнии върху Сатурн и ледени плюсове, излъчвани от Енцелад и други тела. За да се справи с това, д-р Вагстаф и нейният екип погледнаха към последните постижения в алгоритмите за машинно обучение, които позволяват степен на автоматизация и независимо вземане на решения при изчисляването. Както каза д-р Вагстаф:
„Методите за машинно обучение позволяват на самия космически кораб да изследва данните, когато са събрани. След това космическият кораб може да идентифицира кои наблюдения съдържат интересни събития. Това може да повлияе на определянето на приоритети за низходяща връзка. Целта е да се увеличи шансът най-интересните открития да бъдат изтрити първо. Когато събирането на данни надвишава онова, което може да бъде предадено, самият космически кораб може да изкопае допълнителните данни за ценни научни нуги.
„Анализът на борда може също така да позволи на космическия кораб да реши кои данни да събере след това въз основа на това, което вече е открил. Това е демонстрирано на орбита на Земята с помощта на експеримента за автономни научни кораби и на повърхността на Марс, използвайки системата AEGIS на роувъра на Mars Science Laboratory (Curiosity). Автономното, отзивчиво събиране на данни може значително да ускори научното изследване. Ние се стремим да разширим тази способност и към външната слънчева система. "
Тези алгоритми са специално проектирани да подпомогнат три вида научни изследвания, които ще бъдат от изключително значение за Europa Clipper мисия. Те включват откриване на топлинни аномалии (топли петна), аномалии на състава (необичайни повърхностни минерали или находища) и активни потоци ледена материя от океана на подземния океан на Европа.
„В тази обстановка изчисленията са много ограничени“, казва д-р Вагстаф. „Компютърът за космически кораби работи със скорост, подобна на настолния компютър от средата до края на 90-те (~ 200 MHz). Следователно ние сме поставили приоритет на прости, ефективни алгоритми. Странично предимство е, че алгоритмите са лесни за разбиране, прилагане и интерпретиране. "
За да тестват метода си, екипът прилага своите алгоритми както за симулирани данни, така и за наблюдения от минали космически мисии. Те включват Galileo космически кораб, който направи спектрални наблюдения на Европа, за да научи повече за неговия състав; на Касини космически кораб, който заснема изображения на шлейф на луната на Сатурн Енцелад; и на Нови хоризонти изображения на космически кораби с вулканична активност на луната на Юпитер Йо.
Резултатите от тези тестове показаха, че всеки от трите алгоритма демонстрира достатъчно висока ефективност, за да допринесе за постигането на целите на науката, очертани в Планетарното десетилетно проучване за 2011 г. Те включват „потвърждаване наличието на вътрешен океан, характеризиране на ледената обвивка на спътника и даване на разбиране за неговата геоложка история“ на Europa, за да се потвърди „потенциалът на външната слънчева система като обиталище за живот“.
В допълнение, тези алгоритми биха могли да имат далечни последици за други роботизирани мисии до дестинации в дълбоки космически пространства. Отвъд системата от луни на Европа и Юпитер, НАСА се надява да проучи лунните луни на Ентулад и Титан на Сатурн за евентуални признаци на живот в близко бъдеще, както и дестинации, които са още по-далеч (като луна на Нептун, Тритон и дори Плутон). Но приложенията не спират дотук. Вагстаф го каза:
„Автономността на космическите кораби ни позволява да изследваме къде хората не могат да отидат. Това включва отдалечени дестинации като Юпитер и места извън нашата собствена Слънчева система. Той също така включва по-близка среда, която е опасна за хората, като дъното на морското дъно или настройките за високо лъчение тук, на Земята. “
Не е трудно да си представим близко бъдеще, в което полуавтономните роботизирани мисии са в състояние да изследват външните и вътрешните достижения на Слънчевата система без редовен човешки надзор. Гледайки по-далеч в бъдещето, не е трудно да си представим епоха, в която напълно автономни роботи са способни да изследват извън слънчеви планети и да изпращат своите открития у дома.
А междувременно полуавтономна Europa Clipper може да намери доказателството, че всички чакаме! Това биха били биосигнатури, които доказват, че наистина има живот отвъд Земята!
