I 2023 planlegger NASA å lansere Europa Clipper misjon, en robotutforsker som skal studere Jupiters gåtefulle måne Europa. Hensikten med dette oppdraget er å utforske Europas isskall og interiør for å lære mer om månens sammensetning, geologi og interaksjoner mellom overflaten og undergrunnen. Mest av alt er formålet med dette oppdraget å belyse om liv kan eksistere i Europas indre hav eller ikke.
Dette gir mange utfordringer, mange av disse oppstår ved at Europa Clipper vil være veldig langt fra Jorden når den utfører sine vitenskapelige operasjoner. For å adressere dette designet et team av forskere fra NASAs Jet Propulsion Laboratory (JPL) og Arizona State University (ASU) en serie maskinlæringsalgoritmer som gjør det mulig for oppdraget å utforske Europa med en grad av autonom.
Hvordan disse algoritmene kan hjelpe til med fremtidige utforskningsoppdrag i dype rom, ble gjenstand for en presentasjon som ble levert forrige uke (7. august) på den 25. ACM SIGKDD-konferansen om kunnskapsoppdagelse og dataminering i Anchorage, Alaska. Denne årlige konferansen samler forskere og praktikere innen datavitenskap, data mining og analytics fra hele verden for å diskutere den nyeste utviklingen og applikasjonene i feltet.
Når det kommer helt ned til det, er det tidkrevende, utfordrende arbeid å kommunisere med dypfartsoppdrag. Når du kommuniserer med oppdrag på overflaten av Mars eller i bane, kan det ta et signal opptil 25 minutter å nå dem fra Jorden (eller tilbake igjen). Å sende signaler til Jupiter kan derimot ta mellom 30 minutter til opptil en time, avhengig av hvor den befinner seg i sin bane i forhold til Jorden.
Som forfatterne bemerker i studien, blir romfartøyaktiviteter vanligvis overført i et forhåndsplanlagt skript i stedet for gjennom sanntidskommandoer. Denne tilnærmingen er veldig effektiv når posisjonen, miljøet og andre faktorer som påvirker romfartøyet er kjent eller kan bli forutsagt på forhånd. Det betyr imidlertid også at misjonskontrollører ikke kan reagere på uventet utvikling i sanntid.
Som Dr. Kiri L. Wagstaff, en hovedforsker ved NASA JPLs Machine Learning and Instrument Autonomy Group, forklarte Space Magazine via e-post:
Det er utfordrende å utforske en verden som er for fjern til å tillate direkte menneskelig kontroll. Alle aktiviteter må forhåndskriptes. En rask respons på nye funn eller endringer i miljøet krever at romfartøyet selv tar beslutninger, som vi kaller romfartsautonomi. I tillegg betyr å operere nesten en milliard kilometer unna jorden dataoverføringshastighetene er veldig lave.
“Romfartøyets evne til å samle inn data overstiger det som kan sendes tilbake. Dette reiser spørsmålet om hvilke data som skal samles inn og hvordan de skal prioriteres. Til slutt, i tilfelle av Europa, vil romskipet også bli bombardert av intens stråling, noe som kan ødelegge data og forårsake datamaskinens tilbakestilling. Å takle disse farene krever også autonome beslutninger. ”
Av denne grunn begynte Dr. Wagstaff og hennes kolleger å undersøke mulige metoder for dataanalyse ombord som ville fungere uansett hvor og når direkte menneskelig tilsyn ikke er mulig. Disse metodene er spesielt viktige når man skal håndtere sjeldne, forbigående hendelser hvis forekomst, beliggenhet og varighet ikke kan forutsies.
Disse inkluderer fenomener som støv djevlene som er blitt observert på Mars, meteorittpåvirkning, lyn på Saturn og isete plumes utsendt av Enceladus og andre kropper. For å løse dette, så Dr. Wagstaff og hennes team til de siste fremskrittene innen maskinlæringsalgoritmer, som gir mulighet for en grad av automatisering og uavhengig beslutningstaking innen databehandling. Som Dr. Wagstaff sa:
“Maskinlæringsmetoder gjør det mulig for selve romfartøyet å undersøke dataene når de er samlet. Romskipet kan deretter identifisere hvilke observasjoner som inneholder hendelser av interesse. Dette kan påvirke tildelingen av downlink-prioriteringer. Målet er å øke sjansen for at de mest interessante funnene først blir lenket ned. Når datainnsamlingen overstiger det som kan overføres, kan romskipet selv gruve tilleggsdata for verdifulle vitenskapsnuggets.
"Analyser ombord kan også gjøre det mulig for romskipet å bestemme hvilke data som skal samles inn neste, basert på hva det allerede har oppdaget. Dette er blitt demonstrert i Jordens bane ved hjelp av Autonomous Sciencecraft Experiment og på overflaten av Mars ved hjelp av AEGIS-systemet på Mars Science Laboratory (Curiosity) rover. Autonom, responsiv datainnsamling kan øke hastigheten på vitenskapelig undersøkelse. Vi har som mål å utvide denne evnen til også det ytre solsystemet. ”
Disse algoritmene ble spesielt utviklet for å hjelpe til med tre typer vitenskapelige undersøkelser som vil være ekstremt viktige for Europa Clipper oppdrag. Disse inkluderer påvisning av termiske anomalier (varme flekker), komposisjonsanomalier (uvanlige overflatemineraler eller avsetninger) og aktive mengder isete stoffer fra Europas hav under jorden.
"I denne innstillingen er beregningen veldig begrenset," sa Dr. Wagstaff. “Romfartøyets datamaskin kjører med en hastighet som ligner stasjonær datamaskin fra midten av til slutten av 1990-tallet (~ 200 MHz). Derfor har vi prioritert enkle, effektive algoritmer. En sidefordel er at algoritmene er enkle å forstå, implementere og tolke. ”
For å teste metoden deres, benyttet teamet algoritmene sine til både simulerte data og observasjoner fra tidligere romoppdrag. Disse inkluderer Galileo romfartøy, som gjorde spektrale observasjoner av Europa for å lære mer om sammensetningen; de Cassini romfartøy, som fanget bilder av plumaktivitet på Saturns måne Enceladus; og Nye horisonter romfartsbilder av vulkansk aktivitet på Jupiters måne Io.
Resultatene fra disse testene viste at hver av de tre algoritmene demonstrerte en tilstrekkelig høy ytelse til å bidra til vitenskapsmålene som er skissert i 2011-plan for vitenskapens dekadiske undersøkelse. Disse inkluderer "å bekrefte tilstedeværelsen av et indre hav, karakterisere satellittens isskall, og muliggjøre forståelse av dens geologiske historie" på Europa for å bekrefte "potensialet til det ytre solsystemet som et oppholdssted for livet".
I tillegg kan disse algoritmene ha vidtrekkende implikasjoner for andre robotoppdrag til dyptfartsdestinasjoner. Utover Europa og Jupiters månesystem håper NASA å utforske Saturns måner Enceladus og Titan for mulige livstegn i nær fremtid, så vel som destinasjoner som er enda lenger unna (som Neptuns måne Triton og til og med Pluto). Men applikasjonene stopper ikke der. Wagstaff sa det:
"Romfartens autonomi gjør det mulig for oss å utforske hvor mennesker ikke kan gå. Det inkluderer eksterne destinasjoner som Jupiter og steder utenfor vårt eget solsystem. Det inkluderer også nærmere miljøer som er farlige for mennesker, for eksempel bunnen av havbunnen eller høye strålingsinnstillinger her på jorden. "
Det er ikke vanskelig å forestille seg en nær fremtid der semi-autonome robotoppdrag er i stand til å utforske de ytre og indre rekkevidden av solsystemet uten regelmessig menneskelig tilsyn. Når vi ser lenger inn i fremtiden, er det ikke vanskelig å forestille seg en tid der helautonome roboter er i stand til å utforske ekstrasolplaneter og sende sine funn hjem.
Og i mellomtiden, en semi-autonom Europa Clipper kan finne bevisene på at vi alle venter på! Det ville være biosignaturer som beviser at det virkelig er liv utenfor Jorden!
