NASA’nın Mars gezgini, son yirmi yılın en büyük bilimsel ve uzay başarılarından biri oldu.
Dört nesil gezici, kırmızı gezegeni geçerek bilimsel verileri topladı, çağrıştırıcı fotoğraflar gönderdi ve inanılmaz derecede zorlu koşullarda hayatta kaldı – hepsi bir iPhone 1’den daha az güçlü yerleşik bilgisayarları kullanarak. En son gezici Perseverance, 30 Temmuz 2020’de piyasaya sürüldü ve mühendisler şimdiden gelecek nesil gezicilerin hayallerini kuruyor.
Büyük bir başarı olsa da, bu misyonlar gezegenin ve jeolojisinin, coğrafyasının ve atmosferinin yalnızca yüzeyini (kelimenin tam anlamıyla ve mecazi olarak) çizdi.
NASA Jet Tahrik Laboratuvarı’nda (JPL) Robotik Yüzey Hareketliliği Grubu’nun grup lideri olan -Tüm Mars gezici görevlerine liderlik eden- Masahiro (Hiro) Ono ve mevcut gezginin çalışmasına izin veren yazılımı geliştiren araştırmacılardan biri, “Mars’ın yüzey alanı, Dünya üzerindeki toplam kara alanıyla yaklaşık olarak aynı,” dedi
“Düşünün, bir uzaylısınız ve Dünya hakkında neredeyse hiçbir şey bilmiyorsunuz ve Dünya üzerinde yedi veya sekiz noktaya iniyorsunuz ve birkaç yüz kilometre sürüyorsunuz. Bu yabancı tür Dünya hakkında yeterince şey biliyor mu?” Ono sordu. “Hayır. Eğer Mars’ın muazzam çeşitliliğini temsil etmek istiyorsak, yeryüzünde daha fazla ölçüme ihtiyacımız olacak ve anahtar, büyük ölçüde uzatılmış mesafe, umarım binlerce mili kapsar.”
Sınırlı bilgi işlem gücü ve sınırlı enerji diyetiyle -yalnızca gezginin tek bir Mars gününde yakalayıp güce dönüştürebileceği kadar güneş veya sol (Bir sıvı içinde bir koloidal katının sıvı süspansiyonu) – Mars’ın çeşitli, tehlikeli arazisinde seyahat etmek büyük bir zorluktur.
İlk gezici Sojourner, 91 sol üzerinde 330 fit yol kat etti; ikincisi Spirit, yaklaşık beş yıl içinde 4,8 mil yol aldı; Opportunity, 15 yılda 28 mil gitti; ve Curiosity, 2012’de inişinden bu yana 12 milden fazla yol kat etti.
Ono, “Ekibimiz, gelecekteki gezginleri daha akıllı hale getirmek, güvenliği artırmak, üretkenliği artırmak ve özellikle daha hızlı ve daha uzağa gitmek için Mars robotu özerkliği üzerinde çalışıyor” dedi.
YENİ DONANIM, YENİ OLANAKLAR
Bu yaz piyasaya sürülen Perseverance gezici, BAE Systems Electronics tarafından üretilen radyasyonla sertleştirilmiş tek kartlı bilgisayarlar olan RAD 750’leri kullanarak hesaplama yapıyor.
Bununla birlikte gelecekteki görevler, Yüksek Performanslı Uzay Uçuşu Hesaplama (HPSC) projesi aracılığıyla tasarlanan yeni yüksek performanslı, çok çekirdekli radyasyonla güçlendirilmiş işlemcileri potansiyel olarak kullanacaktır. (Qualcomm’un Snapdragon işlemcisi de görevler için test ediliyor.) Bu çipler, aynı miktarda güç kullanan mevcut uçuş işlemcilerinin hesaplama kapasitesinin yaklaşık yüz katını sağlayacak.
JPL’de teknoloji ve inovasyon şef yardımcısı Chris Mattmann’a göre, “En son Mars gezgininizde gördüğünüz tüm özerklik büyük ölçüde döngüdeki insandır” – bu, çalışması için insan etkileşimi gerektirdiği anlamına geliyor. “Bunun nedenlerinden biri, üzerlerinde çalışan işlemcilerin sınırları. Bu yeni yongaların temel görevlerinden biri, gemide karada yaptığımız gibi derin öğrenme ve makine öğrenimi yapmaktır. Katil uygulamalar nelerdir? yeni bilgi işlem ortamı göz önüne alındığında? “
Üç yıl önce başlayan ve bu yıl sona erecek olan Machine Learning tabanlı Otonom Rover Sistemleri için Analitik (MAARS) programı, yapay zekanın yararlı olabileceği bir dizi alanı kapsıyor. Ekip, MAARS projesinin sonuçlarını Mart 2020’de hIEEE Havacılık ve Uzay Konferansı’nda sundu. Proje, NASA Yazılım Ödülü için finalist oldu.
Ekip, IEEE makalesinde “Karasal yüksek performanslı bilgi işlem, otonom araç navigasyonu, machine learning ve Dünya tabanlı uygulamalar için veri analizinde inanılmaz atılımlar sağladı” diye yazdı. “Bu tür ilerlemelerin bir Mars keşif sunumunun ana engeli, en iyi bilgisayarların Dünya’da, en değerli verilerin ise Mars’ta olmasıdır.”
Texas Advanced Computing Center’daki (TACC) Maverick2 süper bilgisayarında ve ayrıca Amazon Web Services ve JPL kümelerinde makine öğrenimi modellerini eğiten Ono, Mattmann ve ekipleri, Drive Bilim ve Enerji-Optimal Otonom Navigasyon adını verdikleri gelecekteki Mars gezgini için iki yeni yetenek geliştiriyorlar.
ENERJİ-OPTİMAL ÖZERK NAVİGASYON
Ono, Perseverance için yerleşik yol bulma yazılımını yazan ekibin bir parçasıydı. Perseverance’ın yazılımı bazı machine learning yetenekleri içerir, ancak yol bulma yöntemi hala oldukça saftır.
Ono, “Gelecekteki gezginlerin araziyi görmek ve anlamak için insan benzeri bir yeteneğe sahip olmasını istiyoruz,” dedi. “Geziciler için enerji çok önemli. Mars’ta asfalt yol yok. İşin aslı sürülebilirlik, araziye bağlı olarak büyük ölçüde değişir. Bu şu anda dikkate alınmamaktadır. Tüm bu kısıtlamalara sahip bir yol bulmak karmaşıktır, ancak bu, HPSC veya Snapdragon yongalarıyla başa çıkabileceğimiz hesaplama düzeyi. Ancak bunu yapmak için paradigmayı biraz değiştirmemiz gerekecek. “
Ono, yeni paradigmanın politika tarafından yönetildiğini, insan tarafından dikte edilenler arasında bir orta yol olduğunu açıklıyor: “A’dan B’ye git ve C’yi yap” ve tamamen otonom: “Git bilim yap”.
Politikaya göre komuta etmek, bir dizi senaryo için ön planlamayı ve ardından gezicinin hangi koşullarla karşılaştığını ve ne yapması gerektiğini belirlemesini sağlar.
“TACC’dekiler gibi sonsuz hesaplama kaynağımızın olduğu yerde bir süper bilgisayar kullanıyoruz, bir politikanın şu olduğu bir plan geliştiriyoruz: X ise, o zaman bunu yapın; y ise, o zaman onu yapın,” Ono açıkladı. “Temelde çok büyük bir yapılacaklar listesi oluşturacağız ve gigabaytlarca veriyi gezgine göndereceğiz, devasa tablolar halinde sıkıştıracağız. Ardından, politikanın sıkıştırmasını çözmek ve onu yürütmek için gezicinin artan gücünü kullanacağız.”
Önceden planlanmış liste, machine learningden türetilen optimizasyonlar kullanılarak oluşturulur. Yerleşik yonga daha sonra bu planları çıkarım yapmak için kullanabilir: girdileri ortamından alıp önceden eğitilmiş modele bağlayarak. Çıkarım görevleri hesaplama açısından çok daha kolaydır ve Mars’a gelecek gezicilerle birlikte olabilecekler gibi bir çip üzerinde hesaplanabilir.
Ono, “Gezici, önceden planlanmış bir dizi seçeneğe bağlı kalmak yerine gemideki planı değiştirme esnekliğine sahip” dedi. “Bu, kötü bir şey olması veya ilginç bir şey bulması durumunda önemlidir.”
DRIVE-BY SCIENCE
Mattmann’a göre, mevcut Mars misyonları, ertesi gün ne yapılacağına karar vermek için genellikle gezginin bir Sol’undan onlarca görüntü kullanıyor. “Peki ya gelecekte bunun yerine bir milyon resim yazısı kullanabilirsek? Bu Drive-By Science’ın temel ilkesidir,” dedi. “Gezici, bilimsel olarak doğrulanmış metin etiketlerini ve başlıkları döndürebilirse, görev ekibimizin daha devam etmesi gereken çok şey olacaktır.”
Mattmann ve ekibi, Google’ın Show and Tell yazılımını (ilk olarak 2014 yılında piyasaya sürülen bir sinirsel resim yazısı oluşturucu), teknolojinin Google dışındaki ilk uygulaması olan gezici görevler için uyarladı.
Algoritma, görüntüleri alır ve insan tarafından okunabilen başlıkları söyler. Bunlar, kardinalite gibi temel ama kritik bilgileri – kaç taş, ne kadar uzakta? – ve ana kayaya yakın mostralarda damar yapısı gibi özellikleri içerir. Mattmann, “İlginç olanın ne olduğuna karar vermek için şu anda kullandığımız bilim bilgisi türleri,” dedi.
Geçtiğimiz birkaç yıl içinde, gezegen jeologları modeli eğitmek için Mars’a özgü görüntü notlarını etiketleyip küratörlüğünü yaptılar.
Mattmann, “100 tane daha önemli şey bulmak için bir milyon altyazı kullanıyoruz” dedi. “Arama ve bilgi erişim yeteneklerini kullanarak, hedeflere öncelik verebiliriz. İnsanlar hala döngü içindedir, ancak çok daha fazla bilgi alıyorlar ve çok daha hızlı arayabilirler.”
Ekibin çalışmasının sonuçları, Planetary and Space Science’ın Eylül 2020 sayısında yer alıyor.
TACC’nin süper bilgisayarları, JPL ekibinin sistemi test etmesine yardımcı oldu. Maverick 2’de ekip, uzmanlar tarafından oluşturulan 6.700 etiket kullanarak modellerini eğitti, doğruladı ve geliştirdi.
Daha uzağa seyahat etme yeteneği, gelecekteki Mars gezginleri için bir gereklilik olacaktır. Buna bir örnek, Avrupa Uzay Birliği tarafından geliştirilmesi önerilen ve 2020’lerin sonlarında fırlatılan ve asıl görevi Mars 2020 gezgini tarafından çıkarılan numuneleri alıp toplamak olan Sample Fetch Rover’dır.
Mattmann, “Yıllar içindeki bu geziciler, tüm numuneleri toplamak ve onları bir buluşma yerine götürmek için önceki gezginlerden 10 kat daha fazla ilerlemek zorunda kalacaktı,” dedi. “Sürüş ve enerji kullanma şeklimiz konusunda daha akıllı olmamız gerekecek.”
Yeni modeller ve algoritmalar, uzaya yönelik bir geziciye yüklenmeden önce, JPL’nin yanında, Mars yüzeyi için Dünya tabanlı bir analog olarak hizmet veren bir toprak eğitim sahasında test edilirler.
Ekip, bir üst haritayı, gezici tarafından toplanan görüntüleri ve gezici üzerinde canlı çalışan algoritmaları gösteren bir gösteri geliştirdi ve ardından, gezginin arazi sınıflandırması ve gemide altyazılar yaptığını ortaya koydu. Yeni sistemi bu baharda bitirmeyi ummuşlardı, ancak COVID-19 laboratuvarı kapattı ve testi erteledi.
Bu arada, Ono ve ekibi, Curiosity gezgini tarafından çekilen 20.000’den fazla görüntüye halkın açıklama eklemesine olanak tanıyan bir vatandaş bilimi uygulaması AI4Mars’ı geliştirdi. Bunlar, tehlikeli arazileri belirlemek ve önlemek için machine learning algoritmalarını daha fazla eğitmek için kullanılacaktır.
Halk, üç aydan kısa bir süre içinde şimdiye kadar 170.000 etiket üretti. Ono, “İnsanlar heyecanlı. Bu, insanların yardım etmesi için bir fırsat” dedi. “İnsanların oluşturduğu etiketler, gezgini daha güvenli hale getirmemize yardımcı olacak.”
Ono, gelecekteki otonom görevler için yapay zeka temelli yeni bir paradigma geliştirme çabalarının sadece gezginlere değil, yörüngelerden uçuşlara ve yıldızlararası sondalara kadar herhangi bir otonom uzay görevine de uygulanabileceğini söylüyor.
“Daha güçlü yerleşik bilgi işlem gücü, TACC’deki gibi yüksek performanslı bilgisayarlarda hesaplanan önceden planlanmış komutlar ve yeni algoritmaların birleşimi, gelecekteki gezginlerin çok daha uzağa seyahat etmesine ve daha fazla bilim yapmasına izin verme potansiyeline sahip.”
Kaynak: University of Texas at Austin, Texas Advanced Computing Center.
Yazar: Aaron Dubrow
Dergi Kaynağı: Dicong Qiu, Brandon Rothrock, Tanvir Islam, Annie K. Didier, Vivian Z. Sun, Chris A. Mattmann, Masahiro Ono. SCOTI: Science Captioning of Terrain Images for data prioritization and local image search. Planetary and Space Science, 2020; 188: 104943 DOI: 10.1016/j.pss.2020.104943
Bir yanıt yazın