Följande artikel hjälper dig: Deep Learning för rymdutforskning – Mot AI
Ursprungligen publicerad på Mot AI.
Jag var alltid besatt av rymden och nervnät. Som forskare i datorseende ser jag många möjligheter för djupinlärning i rymdutforskning. Med det menar jag både forskning och bearbetning av data för astrofysik och praktiska saker som att landa en rover och automatisera så många saker som möjligt (vilket är avgörande för framtida uppdrag).
Det här är en översikt över några spännande fall där Deep Learning är oumbärligt för vår utforskning. Vissa av dessa exempel är redan utplacerade av oss människor, men några av dem är bara idéer.
Detektering av farlig asteroid
Våra teleskop kan generera en enorm mängd bilder, till exempel med Vera C. Rubin Observatory behöver vi bearbeta 200 000 bilder per dag, så det är inte möjligt att göra det manuellt. Vi har redan flera system som ATLAS som övervakar himmelvyn och automatiskt upptäcker asteroider. Detta är praktiskt om vi inte vill sluta som dinosaurier. Så det här systemet består av flera teleskop på olika kontinenter, och varje natt avsöker varje teleskop himlen flera gånger.
Utifrån det får vi flera bilder av exakt samma del av himlen. Stjärnor skulle inte röra sig ur vår synvinkel eftersom de är för långt borta, men asteroider skulle göra det. Så vi kan subtrahera en bild från en annan för att “ta bort” bakgrundsstarterna och hitta rörliga objekt – asteroider.
Det här är en klassisk datorseendelösning, utan djupinlärning, men det finns en DL-lösning för den här uppgiften också, speciellt om två bilder inte passar perfekt.
Landningssystem
Låt oss anta att vi behöver landa en rover på Mars yta. Men vi är intresserade av ett specifikt område. Tyvärr för vår rover är den valda terrängen ganska svår att landa på och det är därför vi behöver djup inlärning.
Med ett datorseendesystem (någon sorts djupinlärningsalgoritm med konvolutionella lager – CNN) kan rovern automatiskt hitta en säker plats att landa på och göra det i realtid samtidigt som den kommer närmare landet. Kom ihåg att Mars är långt borta från jorden, så även ljus (signal) behöver tid för att komma dit. Vi pratar om 3 minuters lätt resa. Det är därför vi behöver rover för att vara oberoende.
Vad som är anmärkningsvärt, detta system har redan använts av NASA, åtminstone när man landade Perseverance (2021).
Letar efter mineraler och vatten
Perseverance har en drönare på brädet — uppfinningsrikedom. Den kan flyga på Mars! Det är första gången vi någonsin har haft en kontrollerad flygning på en sådan enhet utanför jorden. Det var ett proof of concept, och i framtiden kan vi göra mycket mer med den här tekniken.
Vi kan använda en datorseende modell och kamera på drönaren för att upptäcka mineraler och vatten nära rovern. Vi behöver vattenlitteratur för allt, inklusive att få syre eller raketbränsle, om flytande väte används. Mineraler kan användas för att bygga hus eller för vetenskaplig forskning.
Så vårt system skulle hjälpa till att skapa en karta av intresse. Och den här idén skalar ganska bra. Vi kunde köra flera drönare och utforska ytan. PyTorch är ganska säker på att vi kommer att ha kraftfulla grafikprocessorer för att köra djupinlärningsalgoritmer på nästa generations rovers. Detta kan vara det mest effektiva sättet i framtiden att utforska ytan för flera kritiska uppgifter.
En sak till i den här kategorin, som Chris Mattmann från NASA påpekade, är att vi måste skicka bilder till jorden för att fatta beslut, men med djup inlärning kan vi skapa en textbeskrivning från bilder och analysera en miljon bilder per dag som en text istället för 200 bilder (eftersom flaskhalsen för närvarande är mängden data vi kan skicka från Mars till jorden)
3D-printade byggnader
3D-utskrift är en fantastisk teknik eftersom den försöker automatisera husbyggen. För tillfället kan vi nog trycka väggar, men inte riktigt hela huset. Vi saknar stabilitet och reproducerbarhet i den typen av konstruktion. Till exempel, i en byggprocess använder vi betong, och måste vara tillräckligt flytande för att fattiga genom munstycket, men det måste härda tillräckligt snabbt, så att nästa lager kan gjutas framgångsrikt. Betongens konsistens beror på temperatur, luftfuktighet och lufttryck. Ett annat problem är att att bygga på olika platser gör att vi har olika grunder att bygga på, vilket leder till inkonsekvens i processen. Slutligen kan det finnas några avvikelser under bygget. Och det är precis därför vi behöver djupinlärning här.
För det första kan vi använda temperatur-, luftfuktighets-, lufttryckssensorer och djupinlärning för att anta den nödvändiga blandningen, så att vi får den nödvändiga konsistensen hos betongen. För det andra, för att arbeta på olika platser med anomalier och inkonsekvenser, måste vi ha en datorseendemodell, så att vår robot kan analysera vad den bygger.
Och slutligen, om vi vill använda den här tekniken på andra himlakroppar (som det här exemplet), behöver vi en maximal mängd automatisering och robusthet, så vi bör använda djupinlärningslösningar.
Asteroidbrytning
Just nu kommer asteroidbrytning att bli för dyrt och orealistiskt, men när rymdflygningar blir billigare – kan vi allvarligt tänka på asteroidbrytning. Poängen är att hitta en himlakropp med sällsynta grundämnen som palladium, guld, platina, osmium, volfram och andra, skicka ett automatiserat system dit för att bryta dessa grundämnen och ta tillbaka dem (eller använda dem för någon form av rymdstation) . En dag kan vi till och med använda vatten (väte) eller metan från asteroider som bränsle för våra långa rymdfärder.
Men hur kommer djupinlärning att hjälpa oss här? Det finns massor av himlakroppar, och vi måste hitta den mest kostnadseffektiva flygningen. Mer sällsynta element finns – bättre, och med djupinlärning kan vi automatisera vår sökning. Det första steget är att använda datorseende för att hitta den nödvändiga asteroiden, och sedan, med hjälp av spektroskopidata, kan ett neuralt nät försöka förutsäga vilka metaller som finns där.
Dessutom bör vi komma ihåg tidigare punkter att med djup inlärning kan vi inte bara hitta den bästa asteroiden att bryta på utan också:
- Hitta en landningsplats;
- Kör självständigt, navigera runt objekt;
- Leta efter sällsynta element med datorseende system (kameradata/röntgendata)
Tillverkning
Kanske kommer vi en dag att vilja flytta tung tillverkning till månen så att vår miljö är säker. I så fall behöver vi så mycket smart automation som möjligt, då vi inte vill lämna en massa människor där. Det är en stor sfär, men datorseende skulle ha massor av tillämpningar här. Här är några användningsfall för datorseende i fabriker:
- Kvalitetskontroll — upptäcka anomalier och defekter;
- Autonoma robotar flyttar saker och gör andra saker som människor gör;
- Räkna saker;
- Säkerhet (till exempel — branddetektering)
Förutsägande underhåll
Som vi redan har diskuterat behöver vi så mycket automatisering som möjligt. Det betyder att vi kommer att ha många saker som potentiellt kan gå sönder. Det är en bra idé att övervaka det och ännu bättre – att förutsäga brytningsögonblicket för att förhindra det.
Låt oss säga att vi har en motor med flera sensorer för övervakning. Med hjälp av en djupinlärningsalgoritm kan vi förutsäga när vår motor kommer att gå sönder baserat på data från sensorer. Det är en ganska vanlig uppgift även här på jorden, och det kommer att vara praktiskt någon annanstans. Detta är verkligen bara ett exempel; vi kan övervaka många olika saker, även med mikrofoner eller kameror.
Sjukvård
När vi ska vara långt borta från jorden på ett uppdrag, kanske på månen eller Mars, kan vi inte ta med alla specialister ombord. Därför är automatisering viktigt även inom vården. Med viss utrustning och AI-hjälp kan vi diagnostisera en mängd olika sjukdomar.
Vi kan redan idag göra mycket inom vården med datorseende. Här är bara ett par exempel:
- Brutna ben, benförlust och andra benpatologier;
- Njursten, olika typer av cancer och andra mjukdelspatologier.
Dessutom kan vi använda symtom och annan data för att försöka diagnostisera andra (icke-visuella) sjukdomar och generera en behandling. Vad som är mer intressant, vi kan potentiellt härma ett riktigt läkarbesök. Vi kan analysera videodata, ljuddata och symptom för att skapa en bättre förståelse av problemet. Slutligen kan vi också arbeta med mental hälsa, analysera tal och/eller beteende.
Astrofysikers assistent
Det finns många uppgifter där djupinlärning kan hjälpa astrofysiker. Och det är verkligen relevant nu eftersom gamla algoritmer fortfarande används trots sin blygsamma kvalitet. Ibland är även volontärer involverade i projekt som Galaxy Zoo. Det är viktigt att komma ihåg att vi genererar mycket data med teleskop, och vi måste analysera det på något sätt.
Här är bara några exempel där djupinlärning verkligen är användbar:
- Galaxy upptäckt/klassificering;
- Jupitervirvelanalys;
- Exoplanetsökning;
- Supernovadetektering;
- Utökad detektering av röntgenstrålning;
- Detektering av svarta hål…
Även om datorseende kommer att användas för vissa exempel, kanske vi i de flesta fall inte har en värdefull bild från teleskopet, utan signaldata, som uppmätt ljusstyrka. I så fall kommer vi att använda andra djupinlärningsalgoritmer för att analysera signaldata.
Ett bra exempel är exoplanetdetektering. Åtminstone med Kepler Space Telescope fick vi ljusstyrkemätningar på tidslinjen, så vi kan använda Recurrent Neural Networks (till exempel LSTM-lager), men det kan ändras med James Webb Space Telescope, eftersom det kommer att ge bilder med högre upplösning. Hur som helst, det spelar egentligen ingen roll om vi ska analysera bilddata eller andra signaldata. Algoritmer för djupinlärning kommer att användas här.
Slutsats
Det finns massor av andra implementeringar av djupinlärning, som väderprognoser för rymd, upptäckt av rymdskräp, robotar, assistenter som chatGPT, jordbruksautomation och mycket mer. Jag försökte bara nämna anmärkningsvärda projekt som, enligt mig, är oerhört inspirerande.
Publicerad via Mot AI
