Cientistas da Nasa estão se unindo a empresas como Intel, IBM e Google para aplicar algoritmos avançados de inteligência artificial a problemas relacionados à ciência espacial.

Giada Arney, astrobióloga do Goddard Space Flight Center da Nasa em Greenbelt, Maryland, espera que o aprendizado de máquina possa ajudar ela e seus colegas a encontrar uma “agulha” no palheiro de dados que serão coletados por futuros telescópios e observatórios como o Telescópio Espacial James Webb, da Nasa.

“Essas tecnologias são muito importantes, especialmente para grandes conjuntos de dados e no campo de exoplanetas”, diz Arney. “Como os dados que obteremos de observações futuras serão esparsos e conter muito ruído, vão ser muito difíceis de entender. Portanto, o uso desses tipos de ferramentas tem muito potencial para nos ajudar”.

Para ajudar cientistas como Arney a criar ferramentas de pesquisa de ponta, o Frontier Development Lab, da Nasa, ou FDL, reúne inovadores de tecnologia e pesquisa espacial durante oito semanas a cada verão para debater e desenvolver software.

O programa de quatro anos de idade é uma parceria entre o Instituto SETI e o Centro de Pesquisa Ames da Nasa, ambos baseados no Vale do Silício, onde são abundantes as incubadoras de startups. O objetivo é aproximar pessoas talentosas para acelerar o desenvolvimento de tecnologias inovadoras.

“O FDL é como se alguns músicos realmente bons, com diferentes instrumentos, se reunissem para uma jam session na garagem, descobrissem algo muito legal e dissessem: ‘Ei, temos uma banda aqui’”, diz Shawn Domagal-Goldman, um astrobiólogo do centro espacial Goddard, que com Arney orientou uma equipe da FDL em 2018.

A equipe orientada por Arney e Goldman investigou a aplicação de uma rede neural bayesiana na análise da composição química da atmosfera de exoplanetas. E descobriu que a técnica não só é mais precisa que as anteriores, como também informava melhor os pesquisadores sobre o nível de certeza, caso os dados não fossem suficientes para uma análise conclusiva.

Outra técnica resultante de uma sessão da FDL em 2017 testou o uso de aprendizado de máquina na análise de dados de asteróides para gerar modelos em 3D destes corpos celestes, simulando seu formato, tamanho e taxa de rotação.

A equipe, que incluía estudantes da França, África do Sul e Estados Unidos, além de mentores da academia e da empresa de tecnologia Nvidia, desenvolveu um algoritmo que poderia renderizar um asteróide em menos de quatro dias. Hoje, a técnica é usada pelos astrônomos no Observatório Arecibo, em Porto Rico, para fazer modelagem de asteróides quase em tempo real.

E quando um sensor do Solar Dynamics Observatory, projetado para medir dados de radiação ultra-violeta extrema (EUV) emitida pelo sol, parou de funcionar em 2014, foi o aprendizado de máquina que salvou o dia. Pesquisadores analisaram dados coletados por outros sensores com leituras anteriores do sensor defeituoso e conseguiram usá-los para estimar que níveis de EUV ele estaria medindo, gerando basicamente um “sensor virtual”.

Domagal-Goldman e Arney prevêem futuras missões de estudo de exoplanetas nas quais as tecnologias de IA incorporadas às naves espaciais serão inteligentes o suficiente para tomar decisões científicas em tempo real, economizando as muitas horas necessárias para se comunicar com os cientistas na Terra.

“Os métodos de IA nos ajudarão a liberar o poder de processamento de nossos próprios cérebros, fazendo muito do trabalho inicial em tarefas difíceis”, diz Arney. “Mas esses métodos não substituirão os seres humanos tão cedo, porque ainda precisamos verificar os resultados”.

Fonte: Nasa