Як машинне навчання відкриває планети й будує ракети
Огляд кейсів
59 років тому людина вперше полетіла в космос. Це було небезпечно, дорого й енерговитратно. Юрій Гагарін керував системами майже вручну. ЕОМ у 1961 році була аналоговою. Тоді космічні перегони прискорили розвиток технологій. Зараз ми досліджуємо Всесвіт за допомогою алгоритмів.
Разом із незалежною консультанткою spacetech-стартапів Марією Яроцькою з’ясовуємо, як машинне навчання використовують у вивченні космосу.
Алгоритми стратегічного значення
Для досліджень космосу потрібно збирати величезну кількість даних і обробляти їх. Тому ML-алгоритми почали застосовувати в космічній індустрії для роботи з даними ще в 1990-х. В обсерваторії Паломар, наприклад, з 1994 року вбудована ШІ-система SKICAT для класифікації об’єктів за зображеннями з низькою роздільною здатністю. Телескоп Габбл оснащений алгоритмом штучного інтелекту з 1993 року.
Зараз машинне навчання використовують у різних сферах: від підготовки космонавтів і ракетобудування до відкриття нових законів в астрофізиці. Китай, США, росія і Японія визнали розвиток ШІ стратегічною умовою у своїх космічних програмах на найближчі роки. За прогнозами International Data Corporation (IDC), витрати на ML-системи досягнуть $97,9 млрд у 2023 році.
Не всі уряди швидко інтегрують технології машинного навчання в космічну індустрію. В Україні розробками подібних проєктів займаються приватні компанії та стартапи. Але водночас Національне космічне агентство проводить воркшопи, присвячені перспективам ШІ.
Марія: «Космічна індустрія в Україні — це історія про подолання. Якщо уявити космічні перегони у вигляді спортивного змагання, то більшість їхніх учасників біжать без нічого, у США, росії та Китаю за спиною — реактивні ранці, а до ніг України прив’язані недобудований супутник, незакінчений космодром, мішки з імпортозаміщенням і ще гора проєктів, що потребують уваги. Ми вибиваємося з сил і все одно плентаємося в кінці. Але не здаємося.
Технології машинного навчання можуть і повинні використовувати в аналізі космічних даних — наприклад, для моніторингу надзвичайних ситуацій. В Україні вже є компанії, які це роблять за допомогою AI. На підході — стартапи, які займатимуться тим самим, тому що є попит і доступні технології.
Щоб зробити ривок, Україна має стати асоційованим членом ESA (European Space Agency) і отримати доступ до всіх крутих інструментів для роботи з даними програми Copernicus. Не потрібно винаходити велосипед, потрібні фахівці з Data Science — ринок до них готовий».
У глобальному бізнесі дедалі більше корпорацій звертають увагу на космічну індустрію. Apple, наприклад, розробила Siri, застосувавши понад 40 років досвіду космічного агентства DARPA зі створення безпілотних апаратів.
У 2015 році компанія Ілона Маска SpaceX побудувала ракету, здатну повертатися на Землю. Проєктом керував випускник MIT Ларс Блекмор, який оновив алгоритми машинного навчання для посадки ракет, розроблені в Стенфорді. А в травні 2019 року CEO Amazon Джефф Безос оголосив, що його проєкт Blue Origin розробив новий місячний модуль.
Питаннями машинного навчання в космосі займаються в MIT, Google, Microsoft, IBM, Airbus, NASA, Європейському космічному агентстві й навіть Пентагоні.
Технології та космічне сміття
Наразі на орбіті навколо Землі — близько 20 тисяч об’єктів, і тільки 2,7 тисячі з них діють. Решта — космічне сміття. Якщо воно зіштовхнеться на швидкості понад 10 км/с, дрібні уламки почнуть таранити інші об’єкти, що призведе до катастрофи й закриє космос для людства назавжди.
У травні 2020 року космічне агентство Великої Британії виділило мільйон фунтів стерлінгів на розвиток алгоритмів машинного навчання для утилізації космічного сміття. Схожі програми є у США, росії та Китаї.
У 2017 році Frontier Development Lab (FDL) від NASA з командою студентів із Франції, Південної Африки, США та фахівцями з NVIDIA розробила алгоритм, який може створити 3D-модель астероїда за чотири дні. Сьогодні цей метод використовують в обсерваторії Аресібо в Пуерто-Рико для моделювання форми астероїдів у реальному часі. Цей самий алгоритм NASA застосовує для візуалізації даних про космічне сміття. Кожні 15 секунд агентство збирає близько 2 Гб даних із космічних кораблів, щоб визначити загрозу зіткнень.
Ера автопілотованих супутників
Ще один спосіб убезпечити об’єкти в космосі — зробити їх автономними. Супутники мають ідентифікувати загрозу і змінювати напрямок, не чекаючи інструкцій із Землі. У межах програми Leo Китай до 2021 року планує випустити на орбіту 192 розумних супутники для спостереження за поверхнею Землі. Такі апарати можуть фіксувати аномалії та самостійно змінювати траєкторію руху. Схожі технології впровадила компанія Ілона Маска SkyNet разом з IBM.
У DARPA є програма Blackjack, що поєднує технології машинного навчання і блокчейну. За допомогою неї фахівці сподіваються створити всесвітню децентралізовану мережу для автономної навігації космічних апаратів і швидкого зв’язку із Землею. У США цей проєкт вважають стратегічно важливим для безпеки планети. NASA для цих самих цілей розробляє інтелектуальні радіомаяки, здатні передавати інформацію на тисячі світлових років.
Помічник космонавтів
CIMON — це робот-помічник, розроблений командою Airbus для Німецького центру авіації. Саймон, названий на честь робота з аніме «Капітан Майбутнє», має вигляд літаючого екрана. Він може приймати голосові команди, розмовляти й вільно пересуватися. Також він знімає відео, робить фото, сканує стан систем корабля та емоційний стан команди. Наразі Саймона тестує космонавт Александр Герст на МКС, куди робота доставив Dragon від SpaceX.
На МКС також є японський орбітальний робот Int-ball KIBO та інтелектуальна космічна система NASA Astrobee. Іноді NASA дозволяє всім охочим віддалено програмувати цих роботів для розв’язання завдань на МКС. Нещодавно так намагалися впоратися з витоком кисню.
Планують, що в перспективі роботи виконуватимуть медичний огляд екіпажу, рятувальні та дослідницькі місії. Зараз ШІ-системи використовують для моделювання небезпечних ситуацій під час тренувань космонавтів.
Пошук планет і позаземного життя
Навесні 2020 року NASA виявили 50 нових екзопланет під час навчання нейромережі на старих даних. Їх дев’ять років збирав апарат Kepler, запущений ще 2009 року.
Нейромережі дають змогу скоротити кількість космічних місій і обмежитися спостереженнями із Землі: алгоритми аналізують хвилі світла, визначаючи склад і властивості далеких планет, зірок та інших об’єктів. Геофізик Чиказького університету Патрік МакГір зі своєю командою розробляють «кіборга-астробіолога» на основі нейромережі Гопфілда, запрограмованої для пошуків нових форм життя. Пристрій у вигляді ручного мікроскопа дасть змогу знаходити об’єкти, невидимі людському оку. Передбачають, що його буде інтегровано у скафандри дослідників, але також розробники думають над створенням автономного робота. Нейромережа вже вміє визначати різні види лишайників і виділяти їх на карті певної місцевості.
Машинне навчання застосовують не тільки для аналізу даних, а й для поліпшення зображень. Космічна фотографія — вкрай трудомісткий процес, а в результаті не завжди виходить ідеальна картинка, скоріше навпаки. Група ентузіастів розробила алгоритм, який покращує якість зображень галактик і очищає їх від артефактів. Подібні алгоритми деталізують фотографії поверхні Землі із супутників, аналізують метеорологічні та геофізичні дані.
Але виявити відповідну планету — пів справи, важливо долетіти та вдало приземлитися. В Університеті Торонто використовували згорткову нейромережу (подібний алгоритм застосовують у комп’ютерному зорі та безпілотних автомобілях), яка допомагає у створенні чітких зображень поверхні Місяця для визначення оптимального місця посадки. Ця нейромережа 2018 року виявила 6 000 місячних кратерів. А Геологічна служба США за допомогою нейромережі склала детальну карту Місяця. Зараз схожі алгоритми працюють із зображенням поверхні Марса. На початку жовтня 2020 року на ньому також знайшли нові кратери.
Учені Центру обчислювальної астрофізики Інституту Флетайрон у Нью-Йорку пішли ще далі. Вони змоделювали Всесвіт за допомогою DL-алгоритмів. Проєкт Deep Density Displacement Model (D3M) може створити модель Всесвіту, в якій змінено базові закони. Наприклад, немає гравітації.
Ракета на 3D-принтері
Проєкт Relativity Space планує надрукувати 95% космічного апарата на 3D-принтері. Використовуючи ML-алгоритми, за 5 років команда створила робочий двигун і паливний бак, провела понад 200 випробувань із різним паливом і розробила сотні макетів космічних кораблів.
Компанія має намір скоротити час створення ракети до 60 днів. Нейромережі допомагають створювати макети кораблів, зважаючи на високу радіацію та екстремальні температури космосу, а також розраховуючи максимально можливу обтічність для поліпшення аеродинаміки.
Обкладинка: Повна геологічна карта Місяця / Геологічна служба США
