Использование ИИ для защиты планеты

Использование ИИ для защиты планеты

Этим летом мы вчетвером стали частью первоклассной команды, известной как Radar 3D Shape Modeling Team в NASA Frontier Development Lab. FDL (Frontier Development Lab) — это экспериментальный инструмент в инновационном портфеле НАСА, в котором особое внимание уделяется искусственному интеллекту, междисциплинарным подходам, быстрой итерации и командной работе для создания значительных прорывов, полезных для космической программы.

Наша основная команда состоит из двух ученых-планетологов и двух инженеров по машинному обучению, а также наставников из каждой области. Мы работаем над созданием 3D-моделей астероидов, сближающихся с Землей, в первую очередь по радиолокационным данным. Из-за характера радиолокационных наблюдений это сложная вычислительная задача. Знание трехмерной формы астероида помогает нам предсказать его будущую траекторию и оценить, столкнется ли он с Землей.

Формальное введение в нашу проблему:

Радиолокационная визуализация с задержкой-доплером — это мощный метод описания траекторий, форм и состояний вращения околоземных астероидов, который позволил получить подробные модели десятков объектов. С 1990-х годов изображения с задержкой доплера анализируются с использованием программного обеспечения SHAPE, первоначально разработанного Р. С. Хадсоном и С. Дж. Остро[1, 2]. SHAPE обычно выполняет последовательную подгонку одного параметра. Недавно было показано, что алгоритмы подгонки с несколькими параметрами более эффективно инвертируют наборы данных доплеровского запаздывания, тем самым сокращая время выполнения и повышая точность [3]. Однако восстановление формы и вращения астероидов по радиолокационным данным по-прежнему, как и многие обратные задачи, требует больших вычислительных ресурсов, требующих тщательного контроля со стороны человека. Команда FDL 2016 изучила два новых метода, позволяющих лучше автоматизировать моделирование формы с запаздыванием и Доплером: байесовскую оптимизацию [4] и глубокие генеративные модели [5]. Команда FDL 2017 совершенствует эту работу и исследует новые направления для более быстрого и точного создания 3D-моделей околоземных астероидов из изображений с запаздывающим доплером.

Мне потребовалось немного времени, чтобы понять, каковы были наши цели и мотивы. Самые распространенные вопросы, которые мне задают друзья: «Что ты делаешь?» и почему?" Мои короткие ответы на них таковы: мы создаем 3D-модели астероидов на основе данных радара, чтобы мы могли лучше определять физические свойства и орбитальные траектории астероидов. Надеюсь, тогда вопрос «Как?!» Самый простой ответ заключается в том, что мы используем машинное обучение для ускорения и автоматизации аспектов создания 3D-моделей на основе данных радара.

Предварительные результаты:

Мы написали скрипт, который находит сигналы в наборах изображений радара с доплеровским запаздыванием. Это ускоряет предварительную обработку данных. Сценарий интеллектуально маскирует сигнал от шума в изображении, используя алгоритм кластеризации на основе плотности (DBSCAN), как показано на изображении ниже.

Мы также написали еще один скрипт, который оценивает состояние вращения астероида по доступным данным. Этими данными могут быть радиолокационные наблюдения, кривые блеска или любой другой тип данных, используемый существующим программным обеспечением SHAPE. Он быстро и эффективно оценивает состояния вращения, выполняя байесовскую оптимизацию в сферической системе координат [6]. В тестах требуемое время сократилось с нескольких дней до примерно одного дня.

Команда FDL 2016 обучила нейронную сеть генерировать 3D-формы астероидов в форме вокселей (кубоподобных 3D-пикселей). Мы работаем над созданием треугольных сеток из вокселей и сглаживанием 3D-формы, созданной из вокселей, чтобы она больше напоминала астероид. (См. изображение ниже для набора из трех визуализаций одной и той же формы астероида, слева направо: исходная сетка, результат перехода от сетки к вокселям и обратно, а также сглаженная версия поствоксельной сетки.)

Кроме того, мы используем другие инструменты машинного обучения для ускорения процесса моделирования формы. Следите за нашей презентацией 17 августа в Силиконовой долине.

– Грейс Янг и команда 3D-моделирования

Использованная литература:

[1] Р. Скотт Хадсон. Трехмерная реконструкция астероидов по радиолокационным наблюдениям. Обзоры дистанционного зондирования 8, 195–203, 1993.

[2] Кристофер Магри, Майкл С. Нолан, Стивен Дж. Остро и Джон Д. Джорджини. Радиолокационная съемка астероидов главного пояса: наблюдения Аресибо за 55 объектами в 1999–2003 гг. Икар 186, 126–151, 2007 г.

[3] Адам Х. Гринберг и Жан-Люк Марго. Улучшены алгоритмы реконструкции форм астероидов с помощью радара. Астрономический журнал 150 (4), 114, 2015.

[4] Йонас Мокус. Байесовский эвристический подход к дискретной и глобальной оптимизации: алгоритмы, визуализация, программное обеспечение и приложения. Springer-Verlag, Берлин, Гейдельберг, 2010.

[5] Руслан Салахутдинов. Изучение глубоких генеративных моделей. Ежегодный обзор статистики и ее приложений 2, 361–385, 2015. [6] Шейн Карр, Роман Гарнетт и Синтия Ло. BASC: применение байесовской оптимизации к поиску глобальных минимумов на поверхностях потенциальной энергии. Международная конференция по машинному обучению. 2016.