Как машинное обучение открывает планеты и строит ракеты
Обзор кейсов.
59 лет назад человек впервые полетел в космос. Это было опасно, дорого и энергозатратно. Юрий Гагарин управлял системами практически вручную. ЭВМ в 1961 году была аналоговой. Тогда космическая гонка ускорила развитие технологий. Сейчас мы исследуем Вселенную с помощью алгоритмов.
Вместе с независимой консультанткой spacetech-стартапов Марией Яроцкой разбираемся, как машинное обучение используют в изучении космоса.
Алгоритмы стратегического значения
Для исследований космоса нужно собирать огромное количество данных и обрабатывать их. Поэтому ML-алгоритмы начали использовать в космической индустрии для работы с данными еще в 1990-х. В обсерватории Паломар, например, c 1994 года встроена ИИ-система SKICAT для классификации объектов по изображениям с низким разрешением. Телескоп Хаббл оснащен алгоритмом искусственного интеллекта c 1993 года.
Сейчас машинное обучение используют в разных сферах: от подготовки космонавтов и ракетостроения до открытия новых законов в астрофизике. Китай, США, Россия и Япония признали развитие ИИ стратегическим условием в своих космических программах на ближайшие годы. По прогнозам International Data Corporation (IDC), расходы на ML-системы достигнут $97,9 млрд в 2023 году.
Не все правительства быстро интегрируют технологии машинного обучения в космическую индустрию. В Украине разработками подобных проектов занимаются частные компании и стартапы. Но при этом Национальное космическое агентство проводит воркшопы, посвященные перспективам ИИ.
Мария: «Космическая индустрия в Украине – это история о преодолении. Если представить космическую гонку в виде спортивного соревнования, то большинство его участников бегут налегке, у США, России и Китая за спиной — реактивные ранцы, а к ногам Украины привязаны недостроенный спутник, незаконченный космодром, мешки с импортозамещением и еще гора проектов, которые требуют внимания. Мы выбиваемся из сил, и все равно плетемся в конце. Но не сдаемся.
Технологии машинного обучения могут и должны использоваться в анализе космических данных – например, для мониторинга чрезвычайных ситуаций. В Украине уже есть компании, которые это делают при помощи AI. На подходе — стартапы, которые будут заниматься тем же, потому что есть спрос и доступные технологии.
Чтобы совершить рывок, Украина должна стать ассоциированным членом ESA (European Space Agency) и получить доступ ко всем крутым инструментам для работы с данными программы Copernicus. Не нужно изобретать велосипед, нужны специалисты по data science – рынок к ним готов».
В глобальном бизнесе все больше корпораций обращают внимание на космическую индустрию. Apple, например, разработала Siri, применив более 40 лет опыта космического агентства DARPA по созданию беспилотных аппаратов.
В 2015 году компания Илона Маска SpaceX построила ракету, способную возвращаться на Землю. Проектом руководил выпускник MIT Ларс Блэкмор, который обновил алгоритмы машинного обучения для посадки ракет, разработанные в Стэнфорде. А в мае 2019 года CEO Amazon Джефф Безос объявил, что его проект Blue Origin разработал новый лунный модуль.
Вопросами машинного обучения в космосе занимаются в MIT, Google, Microsoft, IBM, Airbus, NASA, Европейском космическом агентстве и даже Пентагоне.
Технологии и космический мусор
Сейчас на орбите вокруг Земли — около 20 тысяч объектов, и только 2,7 тысяч из них — действующие. Остальное — космический мусор. Если он столкнется на скорости более 10 км/с, мелкие осколки начнут таранить другие объекты, что приведет к катастрофе и закроет космос для человечества навсегда.
В мае 2020 года космическое агентство Великобритании выделило миллион фунтов стерлингов на развитие алгоритмов машинного обучения для утилизации космического мусора. Похожие программы есть в США, России и Китае.
В 2017 году Frontier Development Lab (FDL) от NASA с командой студентов из Франции, Южной Африки, США и специалистами из Nvidia, разработала алгоритм, который может создать 3D-модель астероида за четыре дня. Сегодня этот метод используют в обсерватории Аресибо в Пуэрто-Рико для моделирования формы астероидов в реальном времени. Этот же алгоритм NASA применяет для визуализации данных о космическом мусоре. Каждые 15 секунд агентство собирает около 2 Гб данных с космических кораблей, чтобы определить угрозу столкновений.
Эра автопилотируемых спутников
Еще один способ обезопасить объекты в космосе — сделать их автономными. Спутники должны идентифицировать угрозу и менять направление, не дожидаясь инструкций с Земли. В рамках программы Leo Китай до 2021 года планирует выпустить на орбиту 192 умных спутника для наблюдения за поверхностью Земли. Такие аппараты могут фиксировать аномалии и самостоятельно менять траекторию движения. Похожие технологии внедрила компания Илона Маска SkyNet вместе с IBM.
В DARPA есть программа Blackjack, соединяющая технологии машинного обучения и блокчейна. С помощью нее специалисты надеются создать всемирную децентрализованную сеть для автономной навигации космических аппаратов и быстрой связи с Землей. В США этот проект считают стратегически важным для безопасности планеты. NASA для этих же целей разрабатывает интеллектуальные радиомаяки, способные передавать информацию на тысячи световых лет.
Помощник космонавтов
CIMON — это робот-помощник, разработанный командой Airbus для Германского центра авиации. Саймон, названный в честь робота из аниме «Капитан Будущее», выглядит как летающий экран. Он может принимать голосовые команды, разговаривать и свободно перемещаться. Также он снимает видео, делает фото, сканирует состояние систем корабля и эмоциональное состояние команды. Сейчас Саймона тестирует космонавт Александр Герст на МКС, куда робота доставил Dragon от SpaceX.
На МКС также есть японский орбитальный робот Int-ball KIBO и интеллектуальная космическая система NASA Astrobee. Иногда NASA позволяет всем желающим удаленно программировать этих роботов для решения задач на МКС. Недавно так пытались справиться с утечкой кислорода.
Планируется, что в перспективе роботы будут выполнять медицинский осмотр экипажа, спасательные и исследовательские миссии. Сейчас ИИ-системы используют для моделирования опасных ситуаций во время тренировок космонавтов.
Поиск планет и внеземной жизни
Весной 2020 года NASA обнаружили 50 новых экзопланет во время обучения нейросети на старых данных. Их девять лет собирал аппарат Kepler, запущенный еще в 2009 году.
Нейросети позволяют сократить число космических миссий и ограничиться наблюдениями с Земли: алгоритмы анализируют волны света, определяя состав и свойства далеких планет, звёзд и других объектов. Геофизик Чикагского университета Патрик МакГир со своей командой разрабатывают «киборга-астробиолога» на основе нейросети Хопфилда, запрограммированной для поисков новых форм жизни. Устройство в виде ручного микроскопа позволит находить объекты, невидимые человеческому глазу. Предполагается, что оно будет интегрировано в скафандры исследователей, но также разработчики думают над созданием автономного робота. Нейросеть уже умеет определять разные виды лишайников и выделять их на карте определенной местности.
Машинное обучение применяется не только для анализа данных, но и для улучшения изображений. Космическая фотография — крайне трудоемкий процесс, а на выходе не всегда получается идеальная картинка, скорее наоборот. Группа энтузиастов разработала алгоритм, который улучшает качество изображений галактик и очищает их от артефактов. Подобные алгоритмы детализируют фотографии поверхности Земли со спутников, анализируют метеорологические и геофизические данные.
Но обнаружить подходящую планету — полдела, важно долететь и удачно приземлиться. В Университете Торонто использовали сверточную нейросеть (подобный алгоритм применяется в компьютерном зрении и беспилотных автомобилях), которая помогает в создании четких изображений поверхности Луны для определения оптимального места посадки. Эта нейросеть в 2018 году обнаружила 6 000 лунных кратеров. А Геологическая служба США при помощи нейросети составила детальную карту Луны. Сейчас похожие алгоритмы работают с изображением поверхности Марса. В начале октября 2020 на нем также нашли новые кратеры.
Ученые Центра вычислительной астрофизики Института Флэтайрон в Нью-Йорке пошли еще дальше. Они смоделировали Вселенную с помощью DL-алгоритмов. Проект Deep Density Displacement Model (D3M) может создать модель Вселенной, в которой изменены базовые законы. Например, нет гравитации.
Ракета на 3D-принтере
Проект Relativity Space планирует напечатать 95% космического аппарата на 3D-принтере. Используя ML-алгоритмы, за 5 лет команда создала работающий двигатель и топливный бак, провела более 200 испытаний с разным топливом и разработала сотни макетов космических кораблей.
Компания намерена сократить время создания ракеты до 60 дней. Нейросети помогают создавать макеты кораблей, учитывая высокую радиацию и экстремальные температуры космоса, а также рассчитывая максимально возможную обтекаемость для улучшения аэродинамики.
Обложка: Полная геологическая карта Луны / Геологическая служба США
