IBM допомогла NASA FDL полагодити прилад супутника за допомогою передового ШІ

Як полагодити прилад супутника, який знаходиться на висоті 22 000 миль над поверхнею Землі?

Це питання постало перед Лабораторією передових технологій NASA (FDL), коли один з її супутників для спостереження за космічною погодою зіткнувся з проблемами. Цим супутником була Обсерваторія сонячної динаміки (SDO), який використовується для вивчення Сонця і його впливу на космічну погоду. Це важливо з багатьох причин – адже сонячні бурі можуть виводити з ладу супутники GPS, вимикати електромережі та зашифровувати зв’язок.

На жаль, один з трьох приладів SDO, що відповідає за вимірювання ультрафіолетового випромінювання, перестав працювати через несправність. Ці дані є вкрай важливими для супутникових операторів. Неналежна компенсація атмосферних змін під впливом ультрафіолету може призвести до того, що супутники зійдуть з орбіти, згорять або зазнають аварії.

• Аналоговий ШІ? Звучить божевільно, але за цим може бути майбутнє
• Космічний апарат Sentinel-6 став офіційним супутником моніторингу океану
• Дивіться основні моменти запуску американського метеорологічного супутника NASA

Ремонтна місія не була запланована. Замість цього NASA FDL поставило проблему перед своїми фахівцями з космічної погоди і штучного інтелекту, які починали свою кар’єру, щоб з’ясувати, чи зможуть вони вирішити проблему з Землі за допомогою передового штучного інтелекту. Запит? Чи можуть вони з’ясувати, як використати дані з двох інструментів, що залишились у розпорядженні КБСМ, а саме: збору атмосферних зображень і геліосейсмічного і магнітного візуалізатора, для відпрацювання відсутніх вимірювань датчика екстремального ультрафіолетового випромінювання. Відповідь від команди, що складається з дослідників з IBM, Інституту SETI, Nimbix, Lockheed Martin і академічних кіл: Мабуть, так.

“Однією з найбільших проблем було знайти оптимальний фреймворк і модель штучного інтелекту для вирішення поставленої задачі – а саме, віртуально “воскресити” інструмент SDO, що вийшов з ладу, щоб ми могли знову отримати дані, які інструмент міг би виробляти, якби він все ще працював”, – розповів Digital Trends Грем Макінтош, радник з питань штучного інтелекту Інституту SETI і NASA. “Команда автоматизувала завдання модифікації, тестування і запису результатів майже 1000 різних версій моделі глибокого навчання, перш ніж зупинитися на остаточному підході, який вони визначили як оптимальний”.

Зрештою, спільна робота дослідників дозволила створити нейронну мережу глибокого навчання, яка може передбачати необхідні дані з точністю понад 97 відсотків.

“IBM надала два сервери IBM POWER9, оснащені графічними процесорами Nvidia, щоб прискорити навчання нейронної мережі, – продовжив Макінтош. “Дослідники

Source: digitaltrends.com