ภาพรวม การสำรวจอวกาศเป็นที่สนใจของนักวิทยาศาสตร์และรัฐบาลทั่วโลกมาโดยตลอดเนื่องจากถือเป็นกุญแจสำคัญในการกำเนิดมนุษยชาติและสิ่งมหัศจรรย์ที่น่าอัศจรรย์มากมายของจักรวาลรวมถึงความเป็นไปได้ของสิ่งมีชีวิตต่างดาว จักรวาลที่มองเห็นได้แสดงถึงส่วนต่างๆของอวกาศที่เราสามารถมองเห็นได้โดยใช้กล้องโทรทรรศน์ กระนั้นนักวิทยาศาสตร์และนักสำรวจเชื่อว่าเอกภพอาจมีขนาดใหญ่กว่านั้น จนถึงปัจจุบันนักวิทยาศาสตร์ได้สำรวจจักรวาลที่มองเห็นได้เพียง ๔ % ซึ่งประกอบด้วยดาวเคราะห์ดวงดาวกาแลคซีและวัตถุทางดาราศาสตร์อื่น ๆ ที่นักดาราศาสตร์และนักวิทยาศาสตร์สามารถมองเห็นและรับรู้ได้ ส่วนที่เหลือ ๙๖ % ยังไม่ได้รับการสำรวจ |
การทำความเข้าใจปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง Artificial Intelligence หรือคำที่สั้นและเย็นกว่า AI หมายถึงการจำลองความฉลาดของมนุษย์ในเครื่องจักรที่ถูกตั้งโปรแกรมให้คิดเหมือนมนุษย์และเลียนแบบการกระทำของพวกมัน คำนี้อาจใช้กับเครื่องจักรใด ๆ ที่แสดงลักษณะที่เกี่ยวข้องกับจิตใจมนุษย์เช่นการเรียนรู้และการแก้ปัญหา การเรียนรู้ของเครื่องเป็นสาขาเฉพาะในโดเมน AI ที่เกี่ยวข้องกับเครื่องฝึกอบรมเพื่อพัฒนาความฉลาดที่สามารถช่วยให้พวกเขาทำงานที่ซับซ้อนได้โดยใช้ความฉลาดของพวกเขา อัลกอริทึมการเรียนรู้ของเครื่องใช้ข้อมูลจำนวนมากเพื่อช่วยให้เครื่องจักรคุ้นเคยกับสถานการณ์ต่างๆที่พวกเขาเผชิญได้ ช่วยให้เครื่องจักรเรียนรู้จากประสบการณ์การฝึกอบรมและนำไปใช้ในสถานการณ์จริง |
AI / ML ในการสำรวจอวกาศ ตอนนี้ถ้าเราจะรวมแนวคิดของคำศัพท์ขนาดใหญ่สองคำนี้คือ AI และการสำรวจอวกาศโดยคำนึงถึงพัฒนาการล่าสุดในด้านการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ลองนึกดูว่าจะง่ายแค่ไหนสำหรับนักวิทยาศาสตร์และนักสำรวจที่จะบรรลุเป้าหมายและ มันจะส่งผลต่อชีวิตของเราอย่างไร ให้เรารวบรวมแนวคิดทั้งสองนี้และดูว่าได้ทำอะไรไปแล้วเกิดอะไรขึ้นและสามารถทำอะไรได้อีก |
๑. ภาพแรกของหลุมดำ |
Balck Hole (ที่มา: National Geographic) |
เราได้ภาพหลุมดำแรกของเราโดยใช้อัลกอริทึม CHIRP (การสร้างภาพความละเอียดสูงอย่างต่อเนื่องโดยใช้ Patch Priors) CHIRP เป็นอัลกอริทึมแบบเบย์ที่ใช้ในการถอดรหัสภาพที่สร้างขึ้นในดาราศาสตร์วิทยุ การพัฒนา CHIRP เกี่ยวข้องกับทีมนักวิจัยจำนวนมากจากวิทยาศาสตร์คอมพิวเตอร์และปัญญาประดิษฐ์ของ MIT CHIRP ใช้ข้อมูลภาพจากกล้องโทรทรรศน์ Event Horizon ซึ่งมีขนาดใหญ่เกินไปและนี่คือจุดที่ต้องดำเนินการประมวลผลภาพ นักวิทยาศาสตร์ใช้ Numpy แพนด้าและไลบรารี Python อื่น ๆ เพื่อลดขนาดข้อมูลความสัมพันธ์ของข้อมูลและการสอบเทียบ ML ยังใช้ในการวิเคราะห์ภาพ ตรวจสอบลิงค์นี้เพื่อดูรายละเอียดเพิ่มเติม - https://numpy.org/case-studies/blackhole-image/ ตอนนี้เรามีภาพแรกของหลุมดำแล้วนักวิทยาศาสตร์และนักวิจัยกำลังพยายามหาภาพหลุมดำที่แม่นยำยิ่งขึ้น ในการทำเช่นนั้นพวกเขาสร้างอัลกอริทึมที่ซับซ้อนขึ้นซึ่งจะใช้ Machine Learning และปัญญาประดิษฐ์มากขึ้น โปรดทราบว่าเรายังไม่รู้จักวัตถุจำนวนมากในห้วงอวกาศดังนั้นการใช้ Machine Learning และ Deep Learning จะช่วยเราในการจำแนกประเภทของวัตถุและการวิจัยเหล่านี้ในอนาคตอาจนำไปสู่การระบุวัตถุใหม่ ๆ มากขึ้นและด้วยเหตุนี้จึงช่วยให้นักวิทยาศาสตร์ และนักสำรวจในการสำรวจอวกาศ |
๒. ผู้ช่วยและหุ่นยนต์ที่ใช้ AI |
กรณีจากภาพยนต์เรื่อง “Interstellar” |
ชื่อ TARS และ CASE ส่งเสียงระฆังหรือไม่? ใช่ฉันกำลังพูดถึงหุ่นยนต์จากภาพยนตร์ชื่อดังเรื่อง 'Interstellar' (และในกรณีที่คุณยังไม่ได้ดูฉันขอแนะนำให้คุณทำ) หากคุณจำบทบาทของ TARS และ CASE ในภาพยนตร์ได้ลองนึกดูว่าจะมีประโยชน์อย่างไรในการช่วยเหลือนักบินอวกาศในชีวิตจริง นักวิทยาศาสตร์กำลังพัฒนาผู้ช่วยที่ใช้ AI เพื่อช่วยนักบินอวกาศในการปฏิบัติภารกิจไปยังดวงจันทร์ดาวอังคารและอื่น ๆ ผู้ช่วยเหล่านี้ได้รับการออกแบบมาเพื่อทำความเข้าใจและคาดการณ์ความต้องการของลูกเรือและเข้าใจอารมณ์และสุขภาพจิตของนักบินอวกาศและดำเนินการที่จำเป็นในกรณีฉุกเฉิน ตอนนี้พวกเขาทำอย่างไร? คำตอบคือการวิเคราะห์ความรู้สึก การวิเคราะห์ความรู้สึก (หรือที่เรียกว่าการขุดความคิดเห็นหรือ AI ทางอารมณ์) เป็นฟิลด์ย่อยของ NLP (การประมวลผลภาษาธรรมชาติ) ที่พยายามระบุและดึงความคิดเห็นภายในข้อความที่กำหนดในบล็อกบทวิจารณ์โซเชียลมีเดียฟอรัมข่าว ฯลฯ ในทางกลับกันหุ่นยนต์สามารถมีประโยชน์มากขึ้นเมื่อพูดถึงผู้ช่วยทางกายภาพเช่นการช่วยในการขับยานอวกาศการเชื่อมต่อยานอวกาศและการจัดการกับสภาวะที่รุนแรงที่ไม่ปลอดภัยต่อมนุษย์ ส่วนใหญ่อาจฟังดูเป็นเรื่องสมมุติ แต่มันจะช่วยนักบินอวกาศได้มาก |
๓. ระบบนำทางอัจฉริยะ |
โมเดล ๓ มิติของดวงจันทร์ (ที่มา : Nasa) |
ในปี พ.ศ.๒๕๖๑ NASA ด้วยความช่วยเหลือของ Intel ได้พัฒนาระบบ AI ที่ช่วยให้นักบินอวกาศค้นหาเส้นทางบนดาวเคราะห์ ระบบนำทางแบบใหม่นี้จะช่วยให้สามารถสำรวจพื้นผิวของดาวเคราะห์ได้อย่างง่ายดายผ่านเส้นทางที่สั้นที่สุดเท่าที่จะเป็นไปได้ นักวิทยาศาสตร์ใช้โปรแกรมนี้กับดวงจันทร์ของเราและวิธีการทำงานของระบบนี้คือการจำลองพื้นผิวดวงจันทร์แล้วเปรียบเทียบสิ่งเดียวกันกับสภาพแวดล้อมในท้องถิ่น AI จะได้รับการฝึกฝนกับภาพดวงจันทร์นับล้านจากนั้นใช้เครือข่ายประสาทเทียมเพื่อสร้างแผนที่ของดวงจันทร์เสมือนจริง จากนั้นอัลกอริทึมเดียวกันนี้ก็ถูกนำไปใช้กับโครงการสำรวจดาวอังคาร |
๔. การค้นพบดาวเคราะห์นอกระบบเคปเลอร์ |
Kepler 90i (แหล่งข่าว: Australian Broadcasting Corporation) |
กล้องโทรทรรศน์เคปเลอร์ของนาซ่าได้รับการออกแบบมาเพื่อกำหนดความถี่ของดาวเคราะห์ขนาดเท่าโลกที่โคจรรอบดาวฤกษ์คล้ายดวงอาทิตย์ แต่ดาวเคราะห์เหล่านี้อยู่ในขอบเขตของความไวในการตรวจจับของภารกิจ การกำหนดอัตราการเกิดของดาวเคราะห์เหล่านี้อย่างแม่นยำ จำเป็นต้องมีการประเมินโดยอัตโนมัติและแม่นยำว่าผู้สมัครแต่ละคนจะเป็นดาวเคราะห์แม้ในอัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำ เพื่อเอาชนะข้อ จำกัด นี้นักวิจัยจาก Google และนักวิทยาศาสตร์คนอื่น ๆ ได้ใช้ Convolutional Neural Network ชื่อ AstroNet K2 เพื่อทำนายว่าสัญญาณที่ได้รับจากกล้องโทรทรรศน์อวกาศของ Kepler เป็นดาวเคราะห์นอกระบบเคลื่อนที่หรือเป็นผลบวกลวงที่เกิดจากปรากฏการณ์ทางฟิสิกส์หรือเครื่องมือ ด้วยการฝึกแบบจำลองเครือข่ายประสาทเทียมนี้ถึง ๙๘ (โดยประมาณ) เปอร์เซ็นต์ พวกเขาสามารถระบุดาวเคราะห์นอกระบบใหม่สองดวงได้สำเร็จคือเคปเลอร์ ๘๐ กรัมและเคปเลอร์ ๙๐i ที่โคจรรอบระบบดาวเคปเลอร์ ๘๐ และระบบดาวเคปเลอร์ ๙๐ ตามลำดับ |
๕. การแก้ปัญหาขยะอวกาศ |
เศษซากขยะอวกาศรอบโลก (ที่มา : NASA) |
เคยคิดเกี่ยวกับสิ่งที่เกิดขึ้นกับดาวเทียมและยานอวกาศที่ถูกส่งไปยังอวกาศและไม่ส่งกลับมายังโลก ภาพที่คุณเห็นด้านบนเผยแพร่ในปี ๒๕๕๖ โดย NASA ซึ่งแสดงให้เห็นจำนวนขยะอวกาศที่เรามีย้อนกลับไปในปี ๒๕๕๖ ปัญหาเกี่ยวกับขยะอวกาศได้มาถึงจุดวิกฤตเนื่องจากนักวิทยาศาสตร์และนักวิจัยยังคงส่งดาวเทียมขึ้นสู่อวกาศ กลับ. มีชิ้นส่วนที่มนุษย์สร้างขึ้นมากกว่า ๒๓,๐๐๐ ชิ้นในอวกาศที่มีขนาดใหญ่กว่า ๔ นิ้วและอนุภาคขนาดเล็กมากกว่า ๕๐๐,๐๐๐ ชิ้น ความกังวลที่แท้จริงเกี่ยวกับเศษซากอวกาศเหล่านี้คือเมื่อพวกมันชนกับดาวเทียมหรือยานอวกาศพวกมันจะทิ้งรอยบุ๋มไว้บนร่างกายซึ่งบางครั้งก็กลายเป็นสาเหตุหลักของอุบัติเหตุในอวกาศ เพื่อเอาชนะปัญหานี้นักวิทยาศาสตร์กำลังใช้การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำของเทคโนโลยีเลเซอร์ที่ใช้กันทั่วไป พวกเขาใช้แบบจำลองเครือข่ายประสาทเทียมแบบย้อนกลับเพื่อระบุตำแหน่งของเศษซาก นอกจากนี้ยังกล่าวอีกว่าหลังจากปรับปรุงความแม่นยำในการชี้ของกล้องโทรทรรศน์ด้วยเทคนิคการเรียนรู้เชิงลึกแล้วสามารถระบุเศษซากอวกาศที่มีพื้นที่หน้าตัด ๑ เมตรกำลังสองและระยะทาง ๑,๕๐๐ กิโลเมตรได้อย่างแม่นยำ มีงานวิจัยอื่น ๆ อีกมากมายที่เกี่ยวกับการนำปัญญาประดิษฐ์มาใช้ในการสำรวจอวกาศ แม้ว่าจะเหมือนกับแอปพลิเคชันอื่น ๆ ของ AI แต่ไม่มีสิ่งใดที่จะปลอดภัยและเป็นรูปธรรมได้ ในตอนท้ายของวันเราต้องการการแทรกแซงของมนุษย์ในทุกสิ่งที่ AI สามารถทำได้ ด้วยนวัตกรรมแต่ละอย่าง AI กำลังเข้ามาใกล้เพื่อให้ข้อมูลเชิงลึกที่ใหม่กว่าและพิสูจน์ได้ว่าเป็นข้อได้เปรียบสำหรับมนุษย์ในการสำรวจอวกาศระหว่างดวงดาวด้วยเครื่องจักรนวัตกรรมและโครงการและการวิจัย |
ที่มา : https://www.analyticsvidhya.com/blog/2021/01/artificial-intelligence-in-space-exploration/ ผู้แปลและเรียบเรียง : เรืออากาศเอกยุทธนา สุพรรณกลาง |
ปัญญาประดิษฐ์ในการสำรวจอวกาศ
- รายละเอียด
- หมวดหลัก: กองลาดตระเวนและเฝ้าตรวจทางอวกาศ
- หมวด: ข่าวเทคโนโลยีอวกาศ