Cuando un explorador robótico aterriza en otro mundo, los científicos tienen una cantidad limitada de tiempo para recopilar datos de los tesoros de material explorable, debido a la corta duración de las misiones y al tiempo necesario para completar experimentos complejos.
Es por eso que los investigadores del Centro de Vuelos Espaciales Goddard de la NASA en Greenbelt, Maryland, están investigando el uso del aprendizaje automático para ayudar en el análisis rápido de datos de muestras del explorador y ayudar a los científicos en la Tierra a diseñar estrategias para el uso más eficiente del tiempo de un explorador en un planeta.
«Este algoritmo de aprendizaje automático puede ayudarnos a filtrar rápidamente los datos y señalar qué datos es probable que sean los más interesantes o importantes para que los examinemos», dijo Xiang «Shawn» Li, un científico de espectrometría de masas en el laboratorio de Entornos Planetarios en el Goddard de la NASA.
El algoritmo se pondrá a prueba primero con datos de Marte, al operar en una computadora terrestre utilizando datos recopilados por el instrumento Analizador de Moléculas Orgánicas de Marte (MOMA).
El analizador es uno de los principales instrumentos científicos de la próxima misión ExoMars, el rover Rosalind Franklin, liderado por la ESA (Agencia Espacial Europea). El rover, cuyo lanzamiento está previsto no antes de 2028, busca determinar si alguna vez existió vida en el Planeta Rojo.
Después de que Rosalind Franklin recoja una muestra y la analice con MOMA, los datos se enviarán de vuelta a la Tierra, donde los científicos utilizarán los hallazgos para decidir el mejor curso de acción a seguir.
«Por ejemplo, si medimos una muestra que muestra signos de compuestos orgánicos grandes y complejos mezclados con minerales particulares, es posible que queramos realizar más análisis en esa muestra, o incluso recomendar que el rover recoja otra muestra con su taladro de extracción de núcleos», dijo Li.
Un algoritmo podría ayudar a identificar la composición química debajo de la superficie de Marte
En inteligencia artificial, el aprendizaje automático es una forma en que las computadoras aprenden de los datos (muchos datos) para identificar patrones y tomar decisiones o sacar conclusiones.
Este proceso automatizado puede ser poderoso cuando los patrones pueden no ser obvios para los investigadores humanos que miran los mismos datos, lo que es típico para conjuntos de datos grandes y complejos como los involucrados en el análisis de imágenes y espectral.
En el caso de MOMA, los investigadores han estado recopilando datos de laboratorio durante más de una década, según Victoria Da Poian, una científica de datos en NASA Goddard que codirige el desarrollo del algoritmo de aprendizaje automático. Los científicos entrenan el algoritmo alimentándolo con ejemplos de sustancias que se pueden encontrar en Marte y etiquetando cuáles son. Luego, el algoritmo usará los datos de MOMA como predicciones de entrada y salida de la composición química de la muestra estudiada, según su entrenamiento.
«Cuanto más hagamos para optimizar el análisis de datos, más información y tiempo tendrán los científicos para interpretar los datos», dijo Da Poian. «De esta manera, podemos reaccionar rápidamente a los resultados y planificar los próximos pasos como si estuviéramos allí con el rover, mucho más rápido de lo que lo hubiéramos hecho antes».
Perforando en busca de señales de vida pasada
Lo que hace que el rover Rosalind Franklin sea único, y lo que los científicos esperan que conduzca a nuevos descubrimientos, es que podrá perforar unos 2 metros en la superficie de Marte. Los rover anteriores solo llegaron a unos 7 centímetros por debajo de la superficie.
«Es más probable que los materiales orgánicos en la superficie de Marte se destruyan por la exposición a la radiación en la superficie y los rayos cósmicos que penetran en el subsuelo», dijo Li, «pero dos metros de profundidad deberían ser suficientes para proteger la mayor parte de la materia orgánica. Por lo tanto, MOMA tiene el potencial de detectar materia orgánica antigua preservada, lo que sería un paso importante en la búsqueda de vida pasada».
Las futuras exploraciones en el sistema solar podrían ser más autónomas
La búsqueda de señales de vida, pasada o presente, en mundos más allá de la Tierra es un esfuerzo importante para la NASA y la comunidad científica en general. Li y Da Poian ven el potencial de su algoritmo como un activo para la exploración futura de objetivos tentadores como las lunas de Saturno, Titán y Encélado, y la luna de Júpiter, Europa.
El objetivo a largo plazo de Li y Da Poian es lograr una «autonomía científica» aún más poderosa, donde el espectrómetro de masas analizará sus propios datos e incluso ayudará a tomar decisiones operativas de forma autónoma, lo que aumentará drásticamente la ciencia y la eficiencia de la misión.
Esto será crucial a medida que las misiones de exploración espacial se dirijan a cuerpos planetarios más distantes. La autonomía científica ayudaría a priorizar la recopilación y comunicación de datos, logrando en última instancia mucha más ciencia de la que es posible actualmente en misiones tan remotas.
«El sueño a largo plazo es una misión altamente autónoma», dijo Da Poian. «Por ahora, el algoritmo de aprendizaje automático de MOMA es una herramienta para ayudar a los científicos en la Tierra a estudiar más fácilmente estos datos cruciales».
El proyecto MOMA está dirigido por el Instituto Max Planck para la Investigación del Sistema Solar (MPS) en Alemania, y su investigador principal es el Dr. Fred Goesmann. El Instituto Goddard de la NASA desarrolló y construyó el subsistema del espectrómetro de masas MOMA, que medirá los pesos moleculares de los compuestos químicos en las muestras marcianas recolectadas.
Con información de NASA
Compártelo:
Descubre más desde SKYCR.ORG: NASA, exploración espacial y noticias astronómicas
Suscríbete y recibe las últimas entradas en tu correo electrónico.
