National Centre of Competence in Research PlanetS
Gesellschaftsstrasse 6 | CH-3012 Bern | Switzerland
  Tel. +41 (0)31 631 32 39

KI-Forschung mit NASA und Silicon Valley

Berner Forscher und NASA nehmen sich das Silicon Valley zum Vorbild: künstliche Intelligenz für Weltraumanwendungen

Könnten die gleichen Computeralgorithmen, die autonomen Autos das sichere Fahren beibringen, dazu beitragen, nahe gelegene Asteroiden zu identifizieren oder Leben im All zu entdecken? Wissenschaftler der NASA versuchen dies herauszufinden, indem sie mit Pionieren der künstlichen Intelligenz (KI) – Unternehmen wie Intel, IBM und Google – zusammenarbeiten, um fortschrittliche Computeralgorithmen auf weltraumwissenschaftliche Probleme anzuwenden. 


Credit: Ethan Kruse/NASA Goddard

Maschinelles Lernen ist eine Art von Künstlicher Intelligenz. Es beschreibt die am häufigsten verwendeten Algorithmen und andere Tools, mit denen Computer aus Daten lernen können, um Vorhersagen zu treffen und Objekte schneller und genauer zu kategorisieren, als dies ein Mensch kann. Deshalb wird maschinelles Lernen z.B. häufig eingesetzt, um Technologieunternehmen dabei zu unterstützen, Gesichter auf Fotos zu erkennen oder vorherzusagen, welche Filme den Menschen gefallen würden. Aber einige Wissenschaftler sehen Anwendungen weit über die Erde hinaus.

Daniel Angerhausen, Fellow am Center for Space and Habitability (CSH) der Universität Bern und PlanetS Associate, ist einer der Pioniere für die neuesten Techniken des maschinellen Lernens in der Astrophysik. In den letzten zwei Jahren hat er verschiedene Teams betreut, die damit Planeten außerhalb unseres Sonnensystems aufspüren und charakterisieren, um in der Zukunft schließlich Leben im All zu finden.

Einer seiner Kollaboratoren ist Giada Arney , Astrobiologin am Goddard Space Flight Center der NASA in Greenbelt, Maryland. Sie hofft auch, dass maschinelles Lernen ihr und ihren Kollegen dabei helfen kann, Leben im All als Nadel in einem Heuhaufen von Daten zu finden, die von zukünftigen Teleskopen und Observatorien wie dem James Webb Space der NASA oder dem LIFE-Teleskop, an dem Angerhausen mit PlanetS-Partnern an der ETH Zürich zusammenarbeitet, gesammelt werden.     

“Diese Technologien sind sehr wichtig, insbesondere für große Datenmengen und im Bereich der Erforschung von Exoplaneten”, sagt Arney. „Weil die Daten, die wir aus zukünftigen Beobachtungen erwarten, zunächst limitiert und verrauscht sein werden, wird es wirklich schwer sein, sie zu verstehen. Die Verwendung dieser Art von Werkzeugen hat also ein großes Potenzial, uns zu helfen.“

Um Wissenschaftlern wie Angerhausen und Arney dabei zu helfen, modernste Forschungsinstrumente zu entwickeln, bringt das NASA Frontier Development Lab (FDL) Technologie- und Weltrauminnovatoren jeden Sommer acht Wochen lang zusammen, um Ideen zu sammeln und Computercode zu entwickeln. Das vier Jahre alte Programm ist eine Partnerschaft zwischen dem SETI-Institut und dem Ames Research Center der NASA, die beide im Silicon Valley ansässig sind und in ihren Zentren zahlreiche talentierte Mitarbeiter zusammenbringen, um die Entwicklung bahnbrechender Technologien zu beschleunigen.    

In der NASA-Version verbindet FDL Doktoranden der Naturwissenschaften und der Computertechnik mit Experten der Weltraumbehörde, etablierten Wissenschaftlern und einigen der weltweit größten Technologieunternehmen. Partnerunternehmen steuern verschiedene Kombinationen aus Hardware, Algorithmen, Super-Computer-Ressourcen, Finanzmitteln, Einrichtungen und Fachexperten bei. Alle KI-Techniken, die am FDL entwickelt wurden, werden öffentlich verfügbar sein. Einige von ihnen helfen bereits dabei, Asteroiden zu identifizieren, Planeten zu finden und extreme Sonneneinstrahlungsereignisse vorherzusagen. Im Sommer 2019 konnte Dr. Angerhausen mit Hilfe des externen Knowledge Exchange Programms der PlanetS-Technologieplattform in Zusammenarbeit mit Google Cloud für NASA FDL arbeiten.

“FDL fühlt sich an, als würden sich einige wirklich gute Musiker mit verschiedenen Instrumenten zu einer Jam-Session in der Garage treffen, etwas wirklich Cooles finden und sagen: ‘Hey, wir haben hier eine Band’ “, sagt Shawn Domagal-Goldman , ein NASA-Goddard Astrobiologe, der zusammen mit Angerhausen, schon 2018 ein FDL – Team betreute. Neben den beiden Mentoren bestand ihr Team aus Michael Himes (University of Central Florida), Frank Soboczenski (King College London), Simone Zorzan (Luxemburgisches Institut für Wissenschaft und Technologie), Molly O’Beirne (Universität Pittsburgh), und den Computer Science Mentoren Güneş Baydin , Adam Cobb, Yarin Gal (alle University of Oxford) und Massimo Mascaro (Google Cloud).

Durch die Kombination der breiten Expertise dieser Gruppe entwickelten sie ein Machine Learning Modell, das hilft, die Atmosphären von Exoplaneten besser zu verstehen. Sie hoffen, eines Tages die neuesten Methoden des maschinellen Lernens einsetzen zu können, um Daten, die die Chemie von Exoplaneten aufzeigen, schnell zu interpretieren. Da bis jetzt Tausende von Exoplaneten entdeckt wurden, könnten schnelle Entscheidungen darüber, welche die vielversprechendste Chemie im Zusammenhang mit der potentiellen Bewohnbarkeit aufweisen, dazu beitragen, die Kandidaten auf einige wenige zu beschränken, die weitere und detailliertere Untersuchungen verdienen.

Zu diesem Zweck haben die FDL-Teams um Angerhausen, Arney und Domagal-Goldman mit technischer Unterstützung von Google AI eine Technik eingesetzt, die als „neuronales Netzwerk“ bezeichnet wird. In einem neuronalen Netzwerk verbinden sich Milliarden von „Neuronen“, ähnlich wie die Nervenzellen in unserem Gehirn, die uns helfen, Erinnerungen zu bilden und Entscheidungen zu treffen, mit Milliarden von anderen, um Informationen zu verarbeiten und zu übertragen. Adam Cobb, Student der Informatik an der Universität Oxford, führte zusammen mit Michael D. Himes, einem Physikstudenten an der Universität von Zentralflorida, eine Studie durch, um die Fähigkeit eines „Bayes’schen“ neuronalen Netzwerks gegen eine weit verbreitete Technik des maschinellen Lernens zu testen, bekannt als “Random Forest”. Ein anderes Forscherteam, das nicht mit FDL in Verbindung steht, hat bereits die Atmosphäre von WASP-12b, einem 2008 entdeckten Exoplaneten, anhand von Daten analysiert, die vom Hubble-Weltraumteleskop der NASA gesammelt wurden . «Könnte das Bayes’sche neuronale Netz diese Aufgabe besser lösen?», fragte sich das Team.  

„Wir haben sofort herausgefunden, dass das neuronale Netzwerk die Häufigkeit verschiedener Moleküle in der WASP-12b-Atmosphäre genauer als vorhergehende Modelle identifiziert“, sagt Cobb.  

Neben der besseren Genauigkeit bot die Bayes’sche Technik etwas ebenso Kritisches: Sie konnte den Wissenschaftlern sagen, wie sicher sie über ihre Vorhersage war. „An Orten, an denen die Daten nicht gut genug waren, um ein wirklich genaues Ergebnis zu liefern, wusste dieses Modell besser, dass die Antwort nicht sicher war. Dies ist wirklich wichtig, wenn wir diesen Vorhersagen vertrauen wollen“, so Domagal-Goldman.

Ein 3-D-Modell des Asteroiden Eros. Bild: NASA’s Scientific Visualization Studio

Während sich die von diesem Team entwickelte Technik noch in der Entwicklung befindet, wurden bereits andere FDL-Technologien in der realen Welt angewendet. Bis 2017 entwickelten die FDL-Teilnehmer ein Programm zum maschinellen Lernen, mit dem sich schnell 3D-Modelle benachbarter Asteroiden erstellen lassen, mit denen ihre Formen, Größen und Spinraten genau geschätzt werden können. Diese Informationen sind von entscheidender Bedeutung für die Bemühungen der NASA, bedrohliche Asteroiden von der Erde aus aufzuspüren und abzulenken.

Traditionell verwenden Astronomen einfache Computersoftware, um 3D-Modelle zu entwickeln. Die Software analysiert viele Radarmessungen eines sich bewegenden Asteroiden und hilft dann den Wissenschaftlern, seine physikalischen Eigenschaften auf der Grundlage von Änderungen im Radarsignal abzuleiten.

“Ein erfahrener Astronom mit Standard-Rechenressourcen könnte in ein bis drei Monaten einen einzigen Asteroiden modellieren”, sagt Bill Diamond , Präsident und CEO des SETI Instituts. “Die Frage an das Forscherteam lautete also: Können wir es beschleunigen?” 

Die Antwort war ja. Das Team, dem Studenten aus Frankreich, Südafrika und den USA sowie Mentoren aus dem akademischen Bereich und dem Technologieunternehmen Nvidia angehörten, entwickelte einen Algorithmus, mit dem ein Asteroid in nur vier Tagen gerendert werden konnte. Heute schon wird diese Technik von Astronomen des Arecibo-Observatoriums in Puerto Rico benutzt, um fast in Echtzeit die Form von Asteroiden zu modellieren.

Die Modellierung von Asteroiden und die Analyse von Extrasolaren Atmosphären sind einige Beispiele für FDL, die das Potential aufzeigen, diese ausgefeilten Algorithmen auf die Datenmengen anzuwenden, die von den mehr als 100 NASA-Missionen tagtäglich gesammelt werden.

“KI-Methoden helfen uns dabei, Rechenleistung aus unserem eigenen Gehirn freizustellen, indem sie einen Großteil der anfänglichen, mühsamen Detailarbeit leisten.”, sagt Arney. “Aber diese Methoden werden den Menschen in naher Zukunft nicht ersetzen, da wir die Ergebnisse noch überprüfen müssen.”

Angerhausen fasst seine Aussichten in einer Wette zusammen: „Ich würde Ihnen eine Wette anbieten: Wenn wir jemals Leben auf einem anderen Planeten als der Erde finden, werden moderne Deep-Learning-Methoden eine entscheidende Rolle spielen. Vom Guiding autonomer Erkundungsrover im Sonnensystem bis zur Erfassung von Fingerabdrücken von Leben in Daten von weit entfernten Exoplaneten – wir haben gerade erst angefangen, alle Möglichkeiten zu erkunden.“

Technologie-Plattform (TP) von PlanetS: KT with a short-term project

 

Categories: News, Uncategorized

Comments are closed.