فعالیت های مبتنی بر هوش مصنوعی ناسا

فضاپیمای New Horizon در ماه ژانویه سال ۲۰۱۹ از جزیره ای به نام Ultima Thule در بریتانیا به پرواز در آمد و در حال حاضر در فاصله بیش از ۴ میلیارد مایلی زمین قرار دارد. سیگنال های رادیویی این فضاپیما، بیش از ۶ ساعت طول می کشد که به ما برسد. با توجه به محدودیت هایی که در تعداد ایستگاه های ارتباطی وجود دارد، ما تنها می توانیم تماس هایی را به صورت مقطعی با این فضاپیما برقرار کنیم. این در حالی است که ما با مریخ نوردان، در یک روز مریخی (یک روز مریخی ۳۷ دقیقه از یک روز زمین بیشتر است) دو یا سه بار صحبت می کنیم. ما هم چنین، با فضانوردانی که کره زمین را کاوش می کنند، روزانه شاید ۶ مرتبه ارتباط برقرار می کنیم. برای این که بتوان این ارتباطات و دارایی های با ارزش را به بهترین شکل استفاده کرد، فضاپیماها باید توانایی این را داشته باشند که بتوانند خودشان برای خود تصمیم گیری کنند.

ده ها سال است که هوش مصنوعی در خدمت برنامه ریزی ماموریت های فضایی بوده است. به عنوان مثال، می توان به سامانه SPIKE که برای تلسکوپ فضایی Hubble، کار برنامه ریزی را انجام داد، اشاره کرد. هم چنین، می توان به سامانه GPSS استفاده شده در شاتل های فضایی اشاره کرد که وظیفه آن آماده سازی عملیات پرواز مجدد فضاپیما در سال ۱۹۹۰ بود. هوش مصنوعی خودکار (Automated AI) با ورود به زمینه های متنوع، نقش مهمی را در دنیای تجارت هوش مصنوعی و تحقیق در عملیات (Operation Research) بازی کرده است. برخی از این زمینه ها شامل لجستیک (Logistics)، مدیریت زنجیره تأمین (Supply Chain Management)، مدیریت تولید و حتی ساخت دارو می باشند. هوش مصنوعی هم چنین می تواند توسط فضاپیماهای کاوش گر نیز مورد استفاده قرار گیرد. این کاوش گران می توانند بر اساس ضوابط علمی، اهداف خود را انتخاب کنند. ویدئوی کوتاه زیر، می تواند شما را با نحوه کمک هوش مصنوعی به ناسا آشنا کند:

 مرتب کردن ستاره ها

در هر پروژه، ما نیازمند سر و کله زدن با حجم عظیمی از داده ها هستیم. فناوری یادگیری ماشین می تواند به این داده های عظیم نفوذ کرده و دانشمندان را کمک کند تا بتوانند به سرعت، جذاب ترین و جدیدترین داده ها را کشف کنند. هوش مصنوعی می تواند این مجموعه داده ها را کاوش و نامنظمی های آن را درک کند و الگوهای رایج و ویژگی های کلیدی دیگر را که منجر به ظهور اکتشافات علمی می شوند، بفهمد.

در سال ۱۹۹۰، سامانه SKICAT، از پایگاه دوم (Mount Palomar Sky Survey (POSS-2 و با بهره گیری از نوعی تکنیک یادگیری ماشین که به آن «درختان تصمیم (Decision Trees)» می گویند، کلیه ستارگان و کهکشان را به صورت داده طبقه بندی کرد. استفاده از یادگیری ماشین برای سر و کله زدن با مجموعه داده های بزرگ، می تواند الگویی برای استفاده مستقیم از این فناوری در حل مشکلات تجاری باشد.

نگاهی نو به به کره زمین

امروزه هوش مصنوعی با ارائه روش های مختلف به ما کمک می کند که بتوانیم اکوسیستم کره زمین را بهتر درک کنیم. در گذشته، با نصب حس گرهای هوشمند، میزان فعالیت سیل ها و آتشفشان ها توسط هوش مصنوعی رصد می شد. امروزه فناوری های هوش مصنوعی، در مأموریت های کاوش زمین مانند ECOSTRESS که شامل مطالعه استرس موجود در گیاهان می شود، مورد استفاده قرار می گیرد. هم چنین، در مأموریت Orbiting Carbon Observatory 3 که به OCO-3 معروف است، هوش مصنوعی جهت اندازه گیری میزان دی اکسید کربن موجود در اتمسفر کره زمین استفاده شد.

علاوه بر این، یادگیری ماشین استفاده گسترده ای در حل مسائلی مانند طبقه بندی تصاویر برای تعقیب پدیده های علمی مثل رشد گیاهان، آب و هوا، آتش سوزی های پیش رونده، آب شدن یخچال های قطبی و دیگر موارد دارد. بسیاری از شرکت ها برای توسعه هوشمند تجارت خود از این ویژگی یادگیری ماشین که تصویربرداری مداری (Orbital Imagery) نام دارد، بهره می برند.

یافتن علائم حیات

هوش مصنوعی کلید اصلی درک زندگی فرا زمینی است. برای سفر به محیط های سخت و غیر قابل تحمل، باید از آن استفاده کرد. به عنوان مثال، برای سفر به اعماق اقیانوس های قطبی قمر Europa (نام یکی از قمرهای سیاره مشتری)، باید از یک ربات کاوش گر استفاده کرد و آن را به فضایی مملو از تشعشعات جوی و پوسته های یخی راهی کرد. این ربات تنها با یک کنترل از راه دور از کره زمین می تواند کنترل شود. این نوع ربات ها تنها می توانند هر چند هفته و یا هر چند ماه با کره زمین ارتباط برقرار کنند. نکته جالب این جاست زمانی که هر گونه مدیریت و کنترل از کره زمین قطع شود، این ربات خود می تواند راه خود را پیدا کرده و به ایستگاه اصلی خود برگردد. این ربات، در راه می تواند از خطرات دوری کرده و از ابزار مطالعه خود جهت کاوش علائم حیات در آن سیاره استفاده کنند. زمانی که علائم حیاتی یافت شد، ربات باید خود را برای مواجهه با خطرات پیش رو آماده کند. بدیهی است که اگر داده های مربوط به علائم حیات در سیارات دیگر توسط ربات به کره زمین مخابره نشود، این کاوش هیچ ارزشی ندارد. به همین دلیل، معمولاً این ربات ها زمانی که علائم حیاتی کشف می کنند، داده های کلیدی را در همان لحظه به زمین مخابره کرده و سپس به پایگاه اصلی خود باز می گردند. این دستاورد، یکی از گام های بزرگ فناوری هوش مصنوعی در صنعت هوا و فضا است.

مأموریت های کاوش بین ستاره ای (Interstellar)، چالش سخت تر و پیچیده تر فناوری های هوش مصنوعی در این حوزه است. سامانه های Proxiam Centauri و Trappist، نیاز به ده ها سال سفر آن هم کاملاً مستقل از کره زمین برای کاوش بین ستارگان دارند. چالشی که امروزه پیش روی هوش مصنوعی است، آن است که کاوش گران مبتنی بر هوش مصنوعی، باید به صورت خودکار عمل کرده و خود بفهمند و تصمیم بگیرند که مشاهدات خود را بر چه مواردی متمرکز کنند. آن ها باید درک کنند که چه داده هایی را به کره زمین مخابره کرده و حتی باید راه زنده ماندن در شرایط مختلف را یاد بگیرند. این چالش واقعی و جدی هوش مصنوعی است.