Im Jahr 2023 plant die NASA den Start der Europa Clipper Mission, ein Roboterforscher, der Jupiters rätselhaften Mond Europa untersuchen wird. Der Zweck dieser Mission ist es, die Eisschale und das Innere Europas zu erkunden, um mehr über die Zusammensetzung, Geologie und Wechselwirkungen des Mondes zwischen Oberfläche und Untergrund zu erfahren. Der Zweck dieser Mission ist vor allem, Licht ins Dunkel zu bringen, ob Leben im inneren Ozean Europas existieren kann oder nicht.
Dies stellt zahlreiche Herausforderungen dar, von denen sich viele aus der Tatsache ergeben, dass die Europa Clipper wird sehr weit von der Erde entfernt sein, wenn es seine wissenschaftlichen Operationen durchführt. Um dies zu beheben, hat ein Forscherteam des Jet Propulsion Laboratory (JPL) der NASA und der Arizona State University (ASU) eine Reihe von Algorithmen für maschinelles Lernen entwickelt, mit denen die Mission Europa mit einem gewissen Maß an Autonomie erkunden kann.
Wie diese Algorithmen bei zukünftigen Weltraumerkundungsmissionen helfen könnten, war Gegenstand einer Präsentation, die letzte Woche (7. August) auf der 25. ACM SIGKDD-Konferenz über Wissensentdeckung und Data Mining in Anchorage, Alaska, gehalten wurde. Diese jährliche Konferenz bringt Forscher und Praktiker aus den Bereichen Data Science, Data Mining und Analytics aus aller Welt zusammen, um die neuesten Entwicklungen und Anwendungen auf diesem Gebiet zu diskutieren.
Die Kommunikation mit Weltraummissionen ist zeitaufwändig und herausfordernd. Bei der Kommunikation mit Missionen auf der Marsoberfläche oder im Orbit kann es bis zu 25 Minuten dauern, bis ein Signal von der Erde (oder wieder zurück) erreicht wird. Das Senden von Signalen an Jupiter kann dagegen zwischen 30 Minuten und bis zu einer Stunde dauern, je nachdem, wo es sich in seiner Umlaufbahn relativ zur Erde befindet.
Wie die Autoren in ihrer Studie bemerken, werden Raumfahrzeugaktivitäten normalerweise in einem vorgeplanten Skript und nicht über Echtzeitbefehle übertragen. Dieser Ansatz ist sehr effektiv, wenn die Position, die Umgebung und andere Faktoren, die das Raumfahrzeug beeinflussen, bekannt sind oder im Voraus vorhergesagt werden können. Dies bedeutet jedoch auch, dass Missionscontroller nicht in Echtzeit auf unerwartete Entwicklungen reagieren können.
Dr. Kiri L. Wagstaff, Hauptforscherin bei der JPL-Gruppe für maschinelles Lernen und Instrumentenautonomie der NASA JPL, erklärte dem Space Magazine per E-Mail:
„Die Erforschung einer Welt, die zu weit entfernt ist, um eine direkte menschliche Kontrolle zu ermöglichen, ist eine Herausforderung. Alle Aktivitäten müssen vorab geschrieben sein. Eine schnelle Reaktion auf neue Entdeckungen oder Änderungen in der Umgebung erfordert, dass das Raumschiff selbst Entscheidungen trifft, die wir als Autonomie des Raumfahrzeugs bezeichnen. Wenn die Daten fast eine Milliarde Kilometer von der Erde entfernt betrieben werden, sind die Datenübertragungsraten sehr niedrig.
“Die Fähigkeit des Raumfahrzeugs, Daten zu sammeln, übersteigt das, was zurückgesendet werden kann. Dies wirft die Frage auf, welche Daten gesammelt und wie sie priorisiert werden sollen. Im Falle von Europa wird das Raumschiff schließlich auch von intensiver Strahlung bombardiert, die Daten beschädigen und Computer-Resets verursachen kann. Die Bewältigung dieser Gefahren erfordert auch eine autonome Entscheidungsfindung. “
Aus diesem Grund begannen Dr. Wagstaff und ihre Kollegen, nach möglichen Methoden für die Datenanalyse an Bord zu suchen, die überall dort eingesetzt werden können, wo und wann keine direkte menschliche Aufsicht möglich ist. Diese Methoden sind besonders wichtig, wenn es um seltene, vorübergehende Ereignisse geht, deren Auftreten, Ort und Dauer nicht vorhergesagt werden können.
Dazu gehören Phänomene wie die auf dem Mars beobachteten Staubteufel, Meteoriteneinschläge, Blitze auf dem Saturn und eisige Federn, die von Enceladus und anderen Körpern emittiert werden. Um dies zu beheben, haben Dr. Wagstaff und ihr Team die jüngsten Fortschritte bei Algorithmen für maschinelles Lernen untersucht, die einen gewissen Grad an Automatisierung und unabhängige Entscheidungsfindung im Computer ermöglichen. Wie Dr. Wagstaff sagte:
„Mit Methoden des maschinellen Lernens kann das Raumschiff selbst die gesammelten Daten untersuchen. Das Raumschiff kann dann identifizieren, welche Beobachtungen Ereignisse von Interesse enthalten. Dies kann die Zuweisung von Downlink-Prioritäten beeinflussen. Ziel ist es, die Wahrscheinlichkeit zu erhöhen, dass die interessantesten Entdeckungen zuerst heruntergebunden werden. Wenn die Datenerfassung über das hinausgeht, was übertragen werden kann, kann das Raumschiff selbst die zusätzlichen Daten für wertvolle wissenschaftliche Nuggets abbauen.
„Durch die Onboard-Analyse kann das Raumschiff auch entscheiden, welche Daten als Nächstes erfasst werden sollen, basierend auf den bereits entdeckten Daten. Dies wurde in der Erdumlaufbahn mit dem Autonomous Sciencecraft Experiment und auf der Marsoberfläche mit dem AEGIS-System auf dem Mars Science Laboratory (Curiosity) Rover demonstriert. Eine autonome, reaktionsschnelle Datenerfassung kann die wissenschaftliche Erforschung erheblich beschleunigen. Wir wollen diese Fähigkeit auch auf das äußere Sonnensystem ausweiten. “
Diese Algorithmen wurden speziell entwickelt, um drei Arten von wissenschaftlichen Untersuchungen zu unterstützen, die für die USA von äußerster Wichtigkeit sein werden Europa Clipper Mission. Dazu gehören die Erkennung von thermischen Anomalien (warmen Flecken), Anomalien der Zusammensetzung (ungewöhnliche Oberflächenmineralien oder Ablagerungen) und aktiven Eismaterialwolken aus dem unterirdischen Ozean Europas.
"In dieser Umgebung ist die Berechnung sehr begrenzt", sagte Dr. Wagstaff. „Der Computer des Raumfahrzeugs läuft mit einer ähnlichen Geschwindigkeit wie ein Desktop-Computer von Mitte bis Ende der neunziger Jahre (~ 200 MHz). Daher haben wir einfache, effiziente Algorithmen priorisiert. Ein Nebeneffekt ist, dass die Algorithmen leicht zu verstehen, zu implementieren und zu interpretieren sind. “
Um ihre Methode zu testen, wandte das Team ihre Algorithmen sowohl auf simulierte Daten als auch auf Beobachtungen vergangener Weltraummissionen an. Dazu gehörten die Galileo Raumschiff, das spektrale Beobachtungen von Europa machte, um mehr über seine Zusammensetzung zu erfahren; das Cassini Raumschiff, das Bilder der Federaktivität auf dem Saturnmond Enceladus aufzeichnete; und der Neue Horizonte Raumfahrzeugbilder vulkanischer Aktivität auf Jupiters Mond Io.
Die Ergebnisse dieser Tests zeigten, dass jeder der drei Algorithmen eine ausreichend hohe Leistung zeigte, um zu den wissenschaftlichen Zielen beizutragen, die in der Planetary Science Decadal Survey 2011 dargelegt wurden. Dazu gehören "die Bestätigung des Vorhandenseins eines inneren Ozeans, die Charakterisierung der Eisschale des Satelliten und das Verständnis seiner geologischen Geschichte" auf Europa, um "das Potenzial des äußeren Sonnensystems als Lebensraum" zu bestätigen.
Darüber hinaus könnten diese Algorithmen weitreichende Auswirkungen auf andere Robotermissionen zu Zielen im Weltraum haben. Über das Mondsystem von Europa und Jupiter hinaus hofft die NASA, die Saturnmonde Enceladus und Titan in naher Zukunft auf mögliche Lebenszeichen sowie auf noch weiter entfernte Ziele (wie Neptuns Mond Triton und sogar Pluto) untersuchen zu können. Aber die Anwendungen hören hier nicht auf. Wagstaff drückte es aus:
"Die Autonomie von Raumfahrzeugen ermöglicht es uns zu erforschen, wohin Menschen nicht gehen können. Dazu gehören entfernte Ziele wie Jupiter und Orte außerhalb unseres eigenen Sonnensystems. Dazu gehören auch engere Umgebungen, die für den Menschen gefährlich sind, wie der Meeresboden oder Umgebungen mit hoher Strahlung hier auf der Erde. “
Es ist nicht schwer, sich eine nahe Zukunft vorzustellen, in der halbautonome Robotermissionen in der Lage sind, die äußeren und inneren Bereiche des Sonnensystems ohne regelmäßige menschliche Aufsicht zu erkunden. Wenn man weiter in die Zukunft blickt, ist es nicht schwer, sich ein Zeitalter vorzustellen, in dem vollautonome Roboter in der Lage sind, außersolare Planeten zu erforschen und ihre Erkenntnisse nach Hause zu schicken.
Und in der Zwischenzeit eine halbautonome Europa Clipper könnte den Beweis finden, auf den wir alle warten! Das wären Biosignaturen, die beweisen, dass es wirklich Leben jenseits der Erde gibt!
