دانشمندان برای کمک به تجزیه و تحلیل نمونه های خارج از جهان به یادگیری ماشین روی آورده اند.
شیانگ «شان» لی، دانشمند طیف‌سنجی جرمی در آزمایشگاه محیط‌های سیاره‌ای ناسا، می‌گوید: «این الگوریتم یادگیری ماشینی می‌تواند با فیلتر کردن سریع داده‌ها و نشان دادن اینکه کدام داده‌ها برای مطالعه جالب‌تر یا مهم‌تر هستند، به ما کمک کند.
این فناوری جدید ابتدا روی داده‌های جمع‌آوری‌شده توسط تحلیلگر مولکول آلی مریخ (MOMA)، ابزاری پیشرفته که «آزمایشگاهی پر از تجهیزات شیمیایی را در بسته‌ای به اندازه یک توستر» فشرده می‌کند، اعمال خواهد شد.
MOMA به عنوان بخشی از ماموریت آتی ExoMars به رهبری آژانس فضایی اروپا (ESA) با مریخ نورد روزالیند فرانکلین به سیاره سرخ فرستاده خواهد شد. این مریخ نورد که قرار است زودتر از سال 2028 به فضا پرتاب شود، نمونه هایی از سطح مریخ خواهد گرفت تا مشخص کند که آیا زمانی در آنجا زندگی وجود داشته است یا خیر.
مرتبط: نشانه های احتمالی حیات در مریخ: اخترزیست شناس کشف هیجان انگیز مریخ نورد Perseverance را توضیح می دهد
مریخ نورد قادر خواهد بود تا عمق چشمگیر 6.6 فوت (2 متر) به سطح مریخ نفوذ کند. مریخ نوردهای قبلی تنها به 2.8 اینچ (7 سانتی متر) زیر سطح رسیده بودند.
لی گفت: «مواد آلی در سطح مریخ بیشتر در اثر قرار گرفتن در معرض تشعشعات سطحی و پرتوهای کیهانی که به سطح زیرین نفوذ می کنند از بین می روند، اما عمق دو متر برای محافظت از بیشتر مواد آلی کافی است. بنابراین MOMA پتانسیل یافتن مواد آلی باستانی حفظ شده را دارد که گام مهمی در جستجوی حیات گذشته خواهد بود.”
برای انجام این کار، MOMA به دنبال ترکیبات آلی خواهد بود – آنهایی که حاوی یک یا چند اتم کربن هستند که به طور کووالانسی با اتم‌های عناصر دیگر، معمولاً هیدروژن، اکسیژن یا نیتروژن پیوند دارند – که می‌توانند در نمونه‌های حفاری شده یافت شوند و می‌توانند از مواد زنده منشأ بگیرند.
برای جستجوی این مولکول‌ها، MOMA حاوی پیشرفته‌ترین طیف‌سنج جرمی است که تاکنون به خارج از زمین ارسال شده است. طیف‌سنج‌های جرمی در آزمایشگاه‌های روی زمین رایج هستند و روشی اساسی برای شناسایی مولکول‌ها بر اساس وزن مولکولی به دانشمندان ارائه می‌دهند. اگرچه تکنیک‌های پیچیده‌تر و دقیق‌تری وجود دارد که دانشمندان برای تعیین ساختار یک مولکول از آنها استفاده می‌کنند، ابزار مشخصات جرم MOMA برای مرتب‌سازی نمونه‌ها از مخلوط‌های پیچیده ایده‌آل است.
مانند مدل قبلی خود، SAM ارسال شده روی مریخ نورد کنجکاوی، MOMA می تواند نمونه های جمع آوری شده از کاوشگر را با تبخیر مواد در یک اجاق با دمای بالا قبل از ارسال مولکول های فرار از طریق کروماتوگرافی گازی که اجزای شیمیایی مخلوط را جدا و تجزیه و تحلیل می کند، آماده کند. جداسازی به این دلیل اتفاق می‌افتد که نمونه‌ها با دو فاز در ستون کروماتوگرافی تعامل دارند: فاز گاز متحرک و فاز جامد یا مایع ثابت.
با عبور از ابزار فاز گاز، بسته به ساختار، عناصر و ترکیب شیمیایی کلی، مولکول‌های مختلف در یک مخلوط نمونه با فاز ثابت ستون برهمکنش متفاوتی خواهند داشت – برخی از آنها به اطراف می‌چسبند و پیوندهای موقت و ضعیفی را تشکیل می‌دهند، در حالی که دیگران فقط می خواهند از طریق انفجار. این باعث می شود که آنها با سرعت های مختلف در ستون حرکت کنند، در نتیجه مخلوط را جدا کرده و سپس تک تک اجزا را بر اساس جرم آنها و نحوه یونیزه شدن آنها شناسایی می کنند.
چیزی که در مورد MOMA هیجان انگیز است این است که دارای یک حالت عملکرد اضافی است که به نام “طیف سنجی جرمی دفع لیزر” شناخته می شود. در اینجا، نور ماوراء بنفش پالسی برای رهاسازی و یونیزه کردن مولکول‌های آلی از سطح نمونه استفاده می‌شود.
مدت زمان هر پالس لیزر فوق العاده کوتاه است، به طور دقیق کمتر از دو نانوثانیه (که در آن نانوثانیه یک میلیاردم ثانیه است). این پالس فوق سریع تضمین می کند که فرآیند بسیار سریع پیش می رود و اجازه می دهد پیوندهای شیمیایی ضعیف حفظ شود و دقت شناسایی مولکولی را افزایش دهد.
اگرچه این دستگاه به خودی خود چشمگیر است، اما دانشمندان اکنون در حال آموزش مدل های یادگیری ماشین هستند تا به آنها کمک کنند تا داده هایی را که MOMA به خانه ارسال می کند مرتب کنند. این کار با استفاده از داده های آزمایشگاهی جمع آوری شده در بیش از یک دهه انجام می شود.
ویکتوریا دا پویان، دانشمند داده در ناسا گودارد که توسعه الگوریتم یادگیری ماشین را رهبری می کند، می گوید: «هرچه بیشتر برای بهینه سازی تجزیه و تحلیل داده ها انجام دهیم، دانشمندان اطلاعات و زمان بیشتری برای تفسیر داده ها خواهند داشت. به این ترتیب، ما می‌توانیم به سرعت به نتایج واکنش نشان دهیم و گام‌های بعدی را طوری برنامه‌ریزی کنیم که انگار با مریخ نورد آنجا هستیم، بسیار سریع‌تر از آنچه که قبلاً می‌داشتیم.»
دانشمندان الگوریتم یادگیری ماشین را با تغذیه نمونه‌هایی از نمونه‌هایی که MOMA ممکن است در مریخ بیابد، آموزش دادند تا اینکه الگوریتم بتواند آنها را به تنهایی در نمونه‌های واقعی شناسایی کند و زمان تیم را آزاد کند.
دا پویان گفت: «رویای بلندمدت یک مأموریت بسیار خودمختار است. در حال حاضر، الگوریتم یادگیری ماشینی MOMA ابزاری است که به دانشمندان زمین کمک می‌کند تا این داده‌های مهم را آسان‌تر مطالعه کنند.»
لی و دا پویان پتانسیل الگوریتم خود را برای کمک به اکتشافات آینده فراتر از مریخ، از جمله قمرهای تیتان و انسلادوس زحل و قمر مشتری اروپا، می بینند.
