- NASA의 AI가 로버를 위한 화성 샘플 분석 속도를 높입니다.
- 화성 로버가 더 깊게 시추하여 유기물 발견 가능성을 높입니다.
- 머신러닝이 화성 임무의 데이터 분석을 최적화합니다.
메릴랜드주 그린벨트에 위치한 NASA의 Goddard 우주비행센터는 화성 샘플 분석 과정을 가속화하고 로봇 로버가 화성에서 보내는 시간을 최적화할 AI 알고리즘을 개발했습니다.
새로운 알고리즘은 2028년 이후로 예정된 ExoMars 임무의 Rosalind Franklin 로버에 탑재된 MOMA(화성 유기 분자 분석기)의 데이터를 사용하여 먼저 테스트될 예정입니다. 이 로봇은 화성에 생명이 존재했는지 확인하는 것을 목표로 하며, 이 알고리즘은 이 조사 과정에서 어떤 데이터에 집중해야 하는지 식별하는 것을 용이하게 할 것입니다.
NASA, 머신러닝을 활용하여 화성 샘플 분석을 원활하게 진행
NASA Goddard의 질량 분석 과학자 Xiang “Shawn” Li는 새로운 알고리즘의 설계가 로버가 수집한 모든 정보를 빠르게 검토하고 과학자들의 연구에 흥미롭거나 중요한 발견을 선택할 수 있도록 한다고 설명했습니다. 이를 통해 연구자들은 시간적으로 화성 로버를 효율적으로 사용하는 관점에서 더 짧은 기간 내에 더 많은 작업을 수행할 수 있게 됩니다.
이 시스템은 MOMA가 수집한 정보를 분석한 후 이를 지구로 반환하여 추가 연구를 수행하는 방식으로 작동합니다. 이러한 결과를 바탕으로 과학자들은 특정 샘플의 더 정밀한 검사나 다른 샘플들의 수집과 같은 추가 단계를 결정할 수 있습니다. 예를 들어, 샘플에 특정 광물과 혼합된 대형 복잡한 유기 화합물이 포함되어 있는 경우 추가 분석이 필요할 수 있습니다.
로잘린드 프랭클린의 특징 중 하나는 화성 표면 아래 최대 6.6피트(2m)까지 시추할 수 있는 능력으로, 이는 약 2.8인치(7cm)까지만 도달했던 이전 장비보다 훨씬 깊은 깊이입니다. 이러한 시추 능력의 증가는 우주선과 복사선으로부터 보호된 더 잘 보존된 유기물질을 드러내어, 고대 유기물 및 과거 생명체의 흔적을 발견할 가능성을 높여줍니다.
알고리즘 공동 개발자이자 NASA 고다드 우주비행센터의 데이터 과학자인 빅토리아 다 포이안은 데이터 분석의 효율성을 높이는 것의 중요성을 강조했습니다. 화성에 존재할 수 있는 물질의 예시로 기계를 교육함으로써, 소프트웨어는 이제 테스트된 샘플의 구성을 예측할 수 있게 되어 과학자들이 신속하게 대응하고 더 잘 계획할 수 있게 되었습니다.
이 글을 읽고 계신다면, 이미 앞서 나가고 있습니다. 뉴스레터로 그 위치를 유지하세요.
면책 조항. 제공된 정보는 투자 조언이 아닙니다. Cryptopolitan.com 본 페이지에 제공된 정보를 바탕으로 이루어진 투자에 대해 어떠한 책임도 지지 않습니다. 투자 결정을 내리기 전에 반드시 독립적인 조사나 자격을 갖춘 전문가의 상담을 강력히 권장합니다.
크리스 무리티
크리스는 암호화폐와 기술 분야를 전문으로 하는 작가이자 기술 분석가입니다. 그는 나이로비 대학교에서 수학 및 컴퓨터 과학 학위를 소지하고 있으며, 온체인 미디어(On-Chain Media)와 코인 에디션(Coin Edition)에서 콘텐츠 작가로 활동한 후 현재 크립토폴리탄(Cryptopolitan)에서 근무하고 있습니다.
