作者 | Briley Lewis

翻譯 & 整理 | 楊陽

老實說，機器人探索太空比人類要容易得多。它們不需要新鮮空氣和水，也不需要在太空中拖著一堆食物來維持生命。不過，在以往，它們需要人類來引導并做出決定。然而，機器學習技術的進步可能會改變這一點，讓它們成為行星科學中更積極的合作者。

檢測月球巨石和識別行星現象

在2022年底召開的美國地球物理學會（AGU）的秋季會議上，行星學家和天文學家共同討論了機器學習如何改變我們了解太陽系的方式，包括登陸木星寒冷的衛(wèi)星——木衛(wèi)二歐羅巴，以及識別小水星上的火山。

在對行星的探索中，往往需要大量的數據處理，這些會花費掉人類數月、數年，甚至是數十年的努力才能篩選出的數據，卻是AI算法的最大的優(yōu)勢所在。

其中，包括識別行星圖中的巨石。雖然這并非是一項人類難以企及的工作，但卻非常無聊，會占用科學家們本應該用在科研上的寶貴時間。對此，斯坦福大學的行星科學家Nils Prieur表示說：“你能夠找到多達一萬，甚至數十萬塊巨石，但這非常耗時?！睘榱私鉀Q這個問題，Prieur在使用機器學習算法后可以在30分鐘內檢測到整個月球上的巨石。

與此同時，機器學習算法提供的重要作用還包括判斷方位，探知這些大塊巖石在哪里，從而確保新的登陸任務可以安全降落在目的地。此外，巨石對地質分析很有幫助，為在撞擊作用下如何分解周圍的巖石以形成隕石坑提供了線索。

計算機也可以識別許多其他行星現象：包括水星上的火山爆炸，木星肥厚大氣層中的漩渦和月球上的隕石坑，等等。

通過機器學習繪制冰塊

來自馬里蘭州的美國宇航局戈達德太空飛行中心的行星學家Ethan Duncan展示了機器學習如何識別歐羅巴上的冰塊。一直以來，木衛(wèi)二歐羅巴都是天文學家和行星學家們探索外星生命的主要目標。

歐羅巴看上去是一個冰凍的星球，早在四百年前，伽利略便通過剛剛制作出的首個天文望遠鏡“盯”上了這個大冰球。有冰就可能有水，據一些研究表明，歐羅巴的地下“海洋”含水量可能是地球儲水量的兩倍。

在歐羅巴的表面也有一些頗為混沌的地形，有些冰塊散落在一些較暗的地形中，如何通過機器學習繪制出這些冰塊成為機器學習的關鍵任務。

幫助探測器實現自主著陸

實現探測器的自主著陸，也是人工智能能夠為探索外太空帶來的重要貢獻之一。要知道，著陸對于探測器來說是非常大的挑戰(zhàn)，一直以來都是最危險的任務。

對此，同樣來自美國宇航局戈達德太空飛行中心的行星科學家Bethany Theiling表示說：“火星上的恐怖七分鐘是我們經常談論的事情，但當我們進一步進入太陽系時，情況可能會更加復雜。探測器的信息溝通可能延遲數個小時?！?/p>

在火星上降落航天器必須在七分鐘之內完成，期間經歷進入、下降、減速、著陸等多個步驟。在降落過程中，探測器的運行速度遠大于無線電信號從火星傳到地球的速度，這意味當探測器進入到火星大氣后需要自行判斷周遭環(huán)境，安全降落到火星的表面。

土衛(wèi)六泰坦則是土星衛(wèi)星中最大的一個，因為和早期的地球相似度極高，還被稱作“地球時光機”，讓科學家寄予了生命探索的厚望。而探測器想要降落到充滿甲烷的泰坦星上，來回的通信時長長達近三個小時，這就讓能否安全著陸變得更加撲朔迷離和焦灼。

無論是火星還是土衛(wèi)六，Theiling認為機器學習和人工智能都可以幫助解決降落中存在的風險，為探測器提供基于周圍環(huán)境的觀察而做出決策的能力。

“我們并非要脫離科學家和工程師?！盩heiling表示說，“我們想做的是，花在數據處理上的時間將是我們可以管理的最有用的時間。機器學習不會取代人類，但希望它可以成為我們科學發(fā)現的強大補充?！?/p>