År 2023 planerar NASA att lansera Europa Clipper mission, en robotutforskare som studerar Jupiters gåtfulla mån Europa. Syftet med detta uppdrag är att utforska Europas isskal och interiör för att lära sig mer om månens sammansättning, geologi och interaktioner mellan ytan och undergrunden. Mest av allt är syftet med detta uppdrag att belysa huruvida liv kan existera i Europas inre hav eller inte.
Detta innebär många utmaningar, av vilka många uppstår genom det faktum att Europa Clipper kommer att vara mycket långt från Jorden när den genomför sina vetenskapliga operationer. För att ta itu med detta designade ett team av forskare från NASA: s Jet Propulsion Laboratory (JPL) och Arizona State University (ASU) en serie maskininlärningsalgoritmer som gör det möjligt för uppdraget att utforska Europa med en viss grad av självständighet.
Hur dessa algoritmer kan hjälpa till med framtida utforskningsuppdrag djupt utrymme var föremål för en presentation som levererades förra veckan (7 augusti) vid den 25: e ACM SIGKDD-konferensen om kunskapsupptäckt och datainriktning i Anchorage, Alaska. Denna årliga konferens samlar forskare och praktiker inom datavetenskap, data mining och analytics från hela världen för att diskutera den senaste utvecklingen och applikationerna inom området.
När det gäller det, är det tidskrävande, utmanande arbete att kommunicera med djupa rymduppdrag. När man kommunicerar med uppdrag på ytan av Mars eller i bana, kan det ta en signal upp till 25 minuter att nå dem från jorden (eller tillbaka igen). Att skicka signaler till Jupiter kan å andra sidan ta mellan 30 minuter och upp till en timme, beroende på var den befinner sig i sin bana relativt Jorden.
Som författarna noterar i sin studie överförs rymdskeppsaktiviteter vanligtvis i ett förplanerat manus istället för i realtidskommandon. Detta tillvägagångssätt är mycket effektivt när positionen, miljön och andra faktorer som påverkar rymdskeppet är kända eller kan förutsägas i förväg. Men det betyder också att uppdragsansvariga inte kan reagera på oväntad utveckling i realtid.
Som Dr. Kiri L. Wagstaff, en huvudforskare vid NASA JPL: s Machine Learning and Instrument Autonomy Group, förklarade till Space Magazine via e-post:
”Att utforska en värld som är för avlägsen för att möjliggöra direkt mänsklig kontroll är utmanande. Alla aktiviteter måste förskriptas. Ett snabbt svar på nya upptäckter eller förändringar i miljön kräver att rymdskeppet själv fattar beslut, vilket vi kallar rymdskepps autonomi. Dessutom fungerar nästan en miljard kilometer från jorden dataöverföringshastigheterna är mycket låga.
“Rymdskeppets förmåga att samla in data överstiger vad som kan skickas tillbaka. Detta ställer frågan om vilka uppgifter som ska samlas in och hur de ska prioriteras. Slutligen, i fallet med Europa, kommer rymdskeppet också att bombarderas av intensiv strålning, vilket kan skada data och orsaka datoråterställningar. Att hantera dessa faror kräver också autonomt beslutsfattande. ”
Av denna anledning började Dr. Wagstaff och hennes kollegor undersöka möjliga metoder för dataanalys ombord som skulle fungera var och när direkt mänskligt tillsyn inte är möjligt. Dessa metoder är särskilt viktiga när man hanterar sällsynta, kortvariga händelser vars förekomst, plats och varaktighet inte kan förutsägas.
Dessa inkluderar fenomen som dammdävar som har observerats på Mars, meteoritpåverkan, blixtnedslag på Saturnus och isiga plummar som släppts ut av Enceladus och andra kroppar. För att hantera detta tittade Dr. Wagstaff och hennes team på de senaste framstegen inom maskininlärningsalgoritmer, som möjliggör en grad av automatisering och oberoende beslutsfattande inom datoranvändning. Som Dr. Wagstaff sa:
”Maskininlärningsmetoder gör det möjligt för själva rymdskeppet att undersöka uppgifterna när de samlas in. Rymdskeppet kan sedan identifiera vilka observationer som innehåller händelser av intresse. Detta kan påverka tilldelningen av nedlänksprioriteringar. Målet är att öka chansen att de mest intressanta upptäckterna först kommer att kopplas ned. När datainsamlingen överstiger vad som kan överföras, kan rymdskeppet själv gruva in ytterligare data för värdefulla vetenskapsmuggar.
”Analys ombord kan också göra det möjligt för rymdskeppet att bestämma vilka data som ska samlas in nästa baserat på vad det redan har upptäckt. Detta har visats i jorden omloppsbana med hjälp av det autonoma Sciencecraft-experimentet och på ytan av Mars med hjälp av AEGIS-systemet på Mars Science Laboratory (Curiosity) rover. Autonom, responsiv datainsamling kan i hög grad påskynda vetenskaplig utforskning. Vi strävar efter att utvidga denna förmåga även till det yttre solsystemet. ”
Dessa algoritmer var speciellt utformade för att hjälpa till med tre typer av vetenskapliga undersökningar som kommer att vara av yttersta vikt för Europa Clipper uppdrag. Dessa inkluderar upptäckt av termiska avvikelser (varma fläckar), sammansatta avvikelser (ovanliga ytmineraler eller avlagringar) och aktiva mängder av isiga ämnen från Europas underjordiska hav.
"I den här inställningen är beräkningen väldigt begränsad," sade Dr. Wagstaff. ”Rymdskeppsdatoren körs med en hastighet som liknar stationär dator från mitten till slutet av 1990-talet (~ 200 MHz). Därför har vi prioriterat enkla, effektiva algoritmer. En sidofördel är att algoritmerna är lätta att förstå, implementera och tolka. ”
För att testa deras metod använde teamet sina algoritmer till både simulerade data och observationer från tidigare rymduppdrag. Dessa inkluderade Galileo rymdskepp, som gjorde spektrala observationer av Europa för att lära sig mer om dess sammansättning; de Cassini rymdskepp, som fångade bilder av plumaktivitet på Saturnus månen Enceladus; och den Nya horisonter rymdskepp av vulkanisk aktivitet på Jupiters mån Io.
Resultaten av dessa tester visade att var och en av de tre algoritmerna visade en tillräckligt hög prestanda för att bidra till de vetenskapliga målen som anges i 2011 års planetary Science Decadal Survey. Dessa inkluderar ”bekräfta närvaron av ett inre hav, karaktärisera satellitens isskal och möjliggöra förståelse för dess geologiska historia” på Europa för att bekräfta ”potentialen i det yttre solsystemet som en bostad för livet”.
Dessutom kan dessa algoritmer ha långtgående konsekvenser för andra robotuppdrag till djupa rymdestinationer. Bortom Europa och Jupiters månsystem hoppas NASA att utforska Saturnus månar Enceladus och Titan för möjliga tecken på liv i en snar framtid, liksom destinationer som är ännu längre bort (som Neptuns mån Triton och till och med Pluto). Men applikationerna stannar inte där. Wagstaff uttryckte det:
”Rymdskepps autonomi gör det möjligt för oss att utforska vart människor inte kan gå. Det inkluderar avlägsna destinationer som Jupiter och platser utanför vårt eget solsystem. Det inkluderar också närmare miljöer som är farliga för människor, till exempel botten på havsbotten eller högstrålningsinställningar här på jorden. ”
Det är inte svårt att föreställa sig en nära framtid där semi-autonoma robotuppdrag kan utforska de yttre och inre delarna av solsystemet utan regelbundet mänskligt tillsyn. Ser man längre in i framtiden är det inte svårt att föreställa sig en tid där helt autonoma robotar kan utforska extra solplaneter och skicka sina resultat hem.
Och under tiden, en semi-autonom Europa Clipper kan hitta bevisen på att vi alla väntar på! Det skulle vara biosignaturer som bevisar att det verkligen finns liv bortom jorden!
