Créditos: ESA
A exploração de Marte está prestes a dar um grande passo à frente com a ajuda de algoritmos de aprendizado de máquina. Pesquisadores do Centro de Voos Espaciais Goddard da NASA, em Greenbelt, Maryland, estão desenvolvendo um algoritmo para auxiliar na análise rápida de dados de amostras coletadas por rovers em Marte. Essa inovação pode otimizar o tempo de operação dos rovers, permitindo uma exploração mais eficiente do Planeta Vermelho.
“Este algoritmo de aprendizado de máquina pode nos ajudar a filtrar rapidamente os dados e apontar quais dados provavelmente são mais interessantes ou importantes para examinarmos”, disse Xiang “Shawn” Li, cientista de espectrometria de massa na NASA Goddard. O algoritmo será inicialmente testado com dados do Mars Organic Molecule Analyzer (MOMA), um dos principais instrumentos científicos da próxima missão ExoMars Rosalind Franklin Rover, liderada pela Agência Espacial Europeia (ESA).
Programado para ser lançado não antes de 2028, o Rosalind Franklin Rover busca determinar se a vida já existiu em Marte. Após coletar uma amostra e analisá-la com o MOMA, os dados serão enviados à Terra, onde os cientistas usarão as descobertas para decidir o melhor próximo curso de ação. “Se medirmos uma amostra que mostre sinais de compostos orgânicos grandes e complexos misturados em minerais específicos, podemos querer fazer mais análises naquela amostra ou até mesmo recomendar que o rover colete outra amostra com sua broca de perfuração”, explicou Li.
Victoria Da Poian, cientista de dados da NASA Goddard, co-lidera o desenvolvimento do algoritmo de aprendizado de máquina. “Quanto mais fizermos para otimizar a análise de dados, mais informações e tempo os cientistas terão para interpretar os dados”, disse Da Poian. O algoritmo é treinado alimentando-o com exemplos de substâncias que podem ser encontradas em Marte e rotulando o que são. Ele então usará os dados do MOMA para prever a composição química das amostras estudadas.
O que torna o rover Rosalind Franklin único é sua capacidade de perfurar até 2 metros na superfície de Marte, muito mais profundo do que os rovers anteriores. “Materiais orgânicos na superfície de Marte têm mais probabilidade de serem destruídos pela exposição à radiação na superfície e aos raios cósmicos que penetram no subsolo”, disse Li. “Mas dois metros de profundidade devem ser suficientes para proteger a maior parte da matéria orgânica. O MOMA, portanto, tem o potencial de detectar materiais orgânicos antigos preservados, o que seria um passo importante na busca por vida passada.”
Li e Da Poian veem um grande potencial para seu algoritmo em futuras missões de exploração espacial. O objetivo de longo prazo é alcançar uma “autonomia científica” ainda mais poderosa, onde o espectrômetro de massa analisará seus próprios dados e até ajudará a tomar decisões operacionais de forma autônoma. Isso será crucial para missões que têm como alvo corpos planetários mais distantes, como os satélites naturais de Saturno e Júpiter.
“O sonho de longo prazo é uma missão altamente autônoma”, disse Da Poian. “Por enquanto, o algoritmo de aprendizado de máquina do MOMA é uma ferramenta para ajudar cientistas na Terra a estudar mais facilmente esses dados cruciais.”
O projeto MOMA, liderado pelo Instituto Max Planck para Pesquisa do Sistema Solar (MPS) na Alemanha, com o pesquisador principal Dr. Fred Goesmann, promete revolucionar a análise de amostras de Marte. A NASA Goddard desenvolveu e construiu o subsistema de espectrômetro de massa MOMA, que medirá os pesos moleculares de compostos químicos em amostras marcianas coletadas. Com o uso de aprendizado de máquina, a exploração de Marte e outros corpos celestes pode se tornar mais eficiente e autônoma, abrindo novas possibilidades para a descoberta de vida fora da Terra.
Fonte: https://www.nasa.gov/technology/nasa-trains-machine-learning-algorithm-for-mars-sample-analysis/
Deixe uma resposta