آیا هوش مصنوعی نسل آینده می‌تواند به طراحی پایگاه‌های فضایی آینده کمک کند؟

برنامه‌ریزی برای یک سفر موفق دشوار است، به‌ویژه زمانی که مقصد در فضا قرار دارد. مأموریت‌های فضایی حتی پیش از پرتاب به سال‌ها آماده‌سازی علمی و تحلیل حجم عظیمی از داده‌ها نیاز دارند.

با این‌ حال، هم‌زمان با تلاش سازمان‌های فضایی برای ایجاد حضوری دائمی در ماه، هوش مصنوعی می‌تواند با ترکیب این اطلاعات در یک سامانه واحد، فرایند برنامه‌ریزی مأموریت‌ها را بسیار کارآمدتر کند.

یکی از این سامانه‌ها را گوکچه اینال، دانشجوی دکتری مهندسی عمران، محیط‌زیست و ژئودزی در دانشگاه ایالتی اوهایو، توسعه داده است. این چارچوب هوش مصنوعی به دانشمندان کمک می‌کند محل‌های احتمالی فرود روی ماه را ارزیابی کنند، خطرات احتمالی پیش روی خدمه آینده را شناسایی کنند و مناطق جدید را برای یافتن ویژگی‌های زمین‌شناختی ارزشمند از نظر علمی بررسی کنند.

اینال گفت

سامانه‌های هوش مصنوعی به ابزارهایی ضروری برای اکتشافات فضایی تبدیل خواهند شد و به انسان‌ها کمک می‌کنند میلیون‌ها تصویر و مجموعه‌داده موردنیاز مأموریت‌های آینده را تحلیل کنند. هدف این پژوهش ایجاد پلی میان دو حوزه هوش مصنوعی و علوم سیاره‌ای است.

فرود روی ماه اکنون بیش از هر زمان دیگری چالش‌برانگیز به نظر می‌رسد، اما نتایج اولیه مدل اینال با نام لومینا (LUMINA) توانایی قابل‌توجه آن را در تحلیل پیچیده مشاهدات ماه و ارائه توضیحات علمی معنادار درباره محل‌های پیشنهادی فرود نشان می‌دهد. چنین قابلیت‌هایی می‌توانند به برنامه‌ریزان مأموریت‌های فضایی برای شناسایی مناطقی سرشار از یخ آب و دیگر منابع ارزشمند کمک کنند.

دستیار فعال برای برنامه‌ریزی مأموریت‌های فضایی

لومینا بر پایه یک مدل بنیادی بینایی و زبان مخصوص ماه با نام LLaVA-LE ساخته شده؛ مدلی که پیش‌تر برای توصیف عوارض سطح ماه و پاسخ‌گویی به پرسش‌های علمی توسعه یافته بود. اینال توضیح داد که لومینا با استفاده از چارچوبی برای برنامه‌ریزی و اجرای تحلیل‌های چندمرحله‌ای، ارزیابی محل‌های احتمالی فرود و تشریح شواهد پشت پیشنهادهای خود، پژوهش گروه را گسترش می‌دهد.

اینال لومینا را با هدف پیشبرد مأموریت‌های ماه طراحی کرده، اما آن را نه یک ماشین نیمه‌خودمختار، بلکه سامانه‌ای برای پشتیبانی از تصمیم‌گیری می‌داند که در کنار برنامه‌ریزان مأموریت فعالیت می‌کند و تصمیم‌گیری نهایی را به انسان می‌سپارد. او گفت

بیشتر ابزارهای هوش مصنوعی منفعل هستند. شما پرسشی مطرح می‌کنید و پاسخی دریافت می‌کنید، اما اکنون به‌سمت ساخت دستیار علمی فعالی حرکت می‌کنیم که بتواند در کنار متخصصان، مراحل حل یک مسئله را دنبال کند.

نقشه‌برداری از جهان‌هایی فراتر از ماه

یکی از اهداف اصلی این پژوهش، فراهم‌کردن زمینه استفاده از سامانه‌های عامل‌محور در پشتیبانی از اکتشافات فضایی آینده است. با این‌ حال، قابلیت‌های لومینا تنها به تفسیر داده‌های سطح ماه محدود نمی‌شوند. آلپر ییلماز، همکار این پژوهش و استاد مهندسی عمران، محیط‌زیست و ژئودزی در دانشگاه ایالتی اوهایو، توضیح داد که این مدل می‌تواند برای پژوهش و نقشه‌برداری از سطح اجرام سیاره‌ای دیگر، از جمله زمین، نیز کاربرد داشته باشد. ییلماز گفت

مدل‌های نقشه‌محور مشابه جی‌پی‌تی که برای اکتشافات فضایی توسعه یافته باشند، چندان زیاد نیستند. تلاش ما بر ساخت مدلی متمرکز است که بتوان آن را برای سطوح دیگر، مانند مریخ یا برخی سیارک‌ها، نیز به کار گرفت.

به گفته ییلماز، با پیشرفته‌تر شدن مجموعه‌داده‌های جدید، استفاده از ابزارهای کارآمدتری مانند لومینا برای بررسی این اطلاعات ضرورت بیشتری پیدا می‌کند. در غیر این صورت، یافتن بهترین مناطق برای فرود خدمه آینده یا انجام تحقیقات علمی، مانند پیدا کردن سوزن در انبار کاه خواهد بود. او گفت

انسان‌ها قرار است در محیطی به‌شدت خشن فرود بیایند؛ بنابراین، داشتن یک جفت چشم دیگر برای بررسی و راستی‌آزمایی اطلاعات، زیر سؤال بردن یافته‌ها و بهبود ارتباطات، ارزش زیادی دارد.

تیم پژوهشی قصد دارد هم‌زمان با توسعه بیشتر این سامانه، عملکرد آن را با استفاده از داده‌های جدید و باکیفیت ماه آزمایش کند و میزان کارآمدی آن در پشتیبانی از برنامه‌ریزی مأموریت‌های فضایی را دقیق‌تر بسنجد.

اینال گفت

برنامه آرتمیس ناسا فرصت‌های مهمی برای پژوهش ما فراهم می‌کند. با انتشار داده‌های جدید درباره ماه، نتایج این مأموریت‌ها می‌توانند به بهبود سامانه‌هایی مانند مدل ما کمک کنند و پشتیبانی بهتری از برنامه‌ریزی مأموریت‌های فضایی آینده به عمل آورند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.