우주 탐사에서 인공지능의 궁극적인 테스트는 무엇인가요?
자신의 궤도를 선택하고 사진을 찍은 다음 인간의 도움 없이 탐사선을 먼 행성의 표면으로 보낼 수 있는 성간 탐사선을 상상해 보세요. 이것은 NASA가 이미 지구와 화성 임무에 사용하고 있는 인공 지능을 사용하려는 NASA의 예입니다.
지난해 12월 NASA는 별 주위에 8개의 행성으로 구성된 행성계, 즉 케플러 90계를 발견했다고 공식 발표한 것으로 알려졌다. 8개의 행성으로 구성된 태양계와 유사한 시스템. 이 발견은 AI의 도움과 불가분의 관계였습니다. NASA는 Google의 머신러닝을 사용하여 케플러 우주 망원경의 데이터를 분석하여 더 높은 분석 효율성을 달성했습니다.
사실 NASA는 이미 AI를 활용해 많은 일을 해왔습니다.
천문학, 우주론 분야의 업무에 인공지능 기술을 적용하는 것이 적합한가요?
물론 답이 있다.
첫째, 유인 비행의 높은 비용과 높은 위험으로 인해 우주 탐사와 행성 탐사가 모두 무인화되고 있습니다.
둘째, NASA가 수행한 작업의 큰 부분을 차지합니다. 센서에서 반환된 이미지 데이터를 분석하는 것입니다. 이미지를 분석하는 것은 당연히 인공지능의 최고의 작업입니다.
세 번째로 항공, 천문학 분야는 디지털과 정보 분야입니다. 고도로 전문화된 분야이며 과거 데이터를 마이닝하고 과학자의 작업을 돕기 위해 다양한 알고리즘 모델을 훈련하는 데 적합합니다.
과거에 비해 로봇을 이용해 태양계를 탐사해 생명의 흔적을 찾는 데 있어 가장 큰 어려움은 인간만큼 효과적으로 직관적, 심지어 창의적인 결정을 내릴 수 없다는 점이다.
최근 인공 지능의 발전으로 이러한 격차가 줄어들 것으로 예상됩니다. 현재로서는 화성의 지하 동굴을 탐험하거나 유로파의 얼음물에서 열수 분출구를 탐색하기 위해 인간을 보낼 계획이 없습니다. 우리 생애 동안 이러한 역할은 몇 주 또는 몇 달 동안 지구와 연결이 끊어지더라도 가혹한 환경을 견디고 중요한 과학 실험을 수행할 수 있는 보다 지능적인 탐사선과 잠수함으로 대체될 가능성이 높습니다.
1990년대 중반 스티브 치엔(Steve Chien)이 NASA 제트추진연구소(JPL) 인공지능팀을 맡게 되었을 때 당시의 인공지능은 공상과학 소설에 더 가까워 보였고, 누구도 그것을 놀이라고 생각할 수 없었다. NASA의 2020년 화성 임무에서 중요한 역할을 합니다. Chien은 항상 인공 지능 기술을 NASA의 필수 요소로 만들고자 하는 열망을 가지고 있었습니다. 하지만 당시 인공지능은 충분히 주목을 받지 못했습니다. 덜 복잡한 알고리즘을 사용하여 구형 컴퓨터에서 실행했다면 그 기술은 우주 임무를 수행할 수 없었습니다.
그런데 치엔은 인내심이 대단하다. 그의 팀은 기술을 사용하여 우주 임무를 자동화하고 연구자들의 고된 관찰에 오랫동안 의존해 온 작업을 개선하고 있습니다. 예를 들어, JPL은 의사 결정 트리의 의사 결정 모델을 사용하여 SKICAT(하늘 이미지 분류 및 분석 도구)을 만들고 이를 사용하여 1980년대 초 NASA의 두 번째 Palomar Mountains 조사 중에 발견된 물체를 자동으로 분류하는 데 사용했습니다. SKICAT은 훈련을 위한 충분한 이미지를 얻는 한 설문 조사에서 수천 개의 흐릿한 저해상도 개체를 분류할 수 있습니다.
수년간의 점진적인 개선 끝에 Chien과 그의 팀은 NASA가 EO-1 위성 자동화용 소프트웨어 설계를 요청했을 때 획기적인 성과를 거두었습니다. NASA는 2003년에 JPL의 ASE(자율 과학 기술 실험) 소프트웨어를 위성에 적용하여 10년 넘게 홍수, 화산 폭발 및 기타 자연 현상을 연구하는 데 도움을 주었습니다. EO-1이 3월에 퇴역하기 전에 ASE 소프트웨어는 때때로 다른 위성이나 지상 기반 센서로부터 경고를 수신하고 지상에 있는 사람이 사고를 인지하기 전에 자동으로 EO-1이 이미지를 캡처하도록 유도했습니다.
ASE 및 기타 프로젝트에 대한 JPL의 작업을 통해 NASA는 인공 지능이 Mars 2020 임무에서 중요한 역할을 할 수 있다는 확신을 갖게 되었습니다.
Chien과 그의 팀은 다른 어떤 차량보다 훨씬 더 발전했으며 행성의 울퉁불퉁한 표면을 탐색할 수 있는 새로운 유형의 로버를 개발하고 있습니다. 화성에서 생명의 흔적을 찾을 때 Mars 2020 탐사선은 연구 및 실험 목표를 선택하는 데 상당한 자유를 누리고 있습니다.
최근 NASA 제트 추진 연구소의 기술 그룹 책임자이자 연구소 임무 계획 및 실행 부서의 수석 연구 과학자인 Chien은 Scientific American과의 인터뷰에서 우주 여행이 인공 지능 시스템에 미치는 영향에 대해 이야기했습니다. . 인류가 점점 더 멀리 탐험할수록 지능에 대한 요구도 더욱 커집니다. "궁극적인" 인공지능 우주 임무는 어떤 모습일까요?
요약은 다음과 같습니다
Q: EO-1 위성을 제어하는 ASE 소프트웨어는 NASA의 AI 애플리케이션 이정표인가요?
이것은 확실히 JPL과 NASA뿐만 아니라 전체 AI 생태계에 있어 인공지능의 이정표입니다. 이는 ASE의 엄청난 성공과 장수 때문입니다. 이 소프트웨어는 정말 놀랍습니다. 12년 넘게 우주선을 제어했습니다. 이 기간 동안 약 300만 건의 지시를 내리고 6만 건 이상의 관측을 실시해 실제로 인간이 조종하는 우주선보다 높은 신뢰성을 달성했다. 이러한 성공은 실제로 우주 자원을 민주화할 수 있습니다. 우리는 전 세계 기관이 우주선으로 직접 전송되도록 요청을 제출할 수 있는 웹페이지를 보유하고 있습니다.
Q: NASA는 인공지능에 얼마나 많은 작업을 제공하려고 합니까?
NASA에서 인공지능의 과제 중 하나는 우주 임무를 다루기 때문에 그것에 대해 생각하는 데 많은 시간과 오랜 시간이 걸린다는 것입니다. 우리는 인공지능이 제대로 작동하도록 하여 과학 지식을 수집하고 우주선을 보호해야 합니다. 하지만 그렇다고 해서 그것이 무엇을 할 것인지 정확히 예측할 수 있다는 의미는 아닙니다. 기계는 미세하게 관리되어야 하기 때문에 인공지능이 기계가 아닌 과학자의 보조자가 되기를 바라면서 이러한 수준의 미세 관리에서 벗어나고 싶어 하는 사람들도 있습니다. 어떤 사람들은 좋은 과학자를 교체하는 것을 걱정하지만 그것만으로는 충분하지 않으며 우리는 그것에 대해 걱정할 필요가 없습니다.
Q: 미지의 세계를 이해하기 위해 AI를 활용하기 위해 어떻게 준비하고 있나요?
미지의 상황을 분석하는 데에는 비지도 학습이 매우 중요합니다. 인간이 할 수 있는 일 중 큰 부분은 익숙하지 않은 데이터를 해석하는 것입니다. NASA에는 그러한 질문이 많이 있습니다. 일부 데이터가 표시되지만 일부는 맞지 않습니다. 예를 들어, 루이스와 클라크의 노스웨스트 지역 탐사를 생각해 보세요. 그들은 10피트마다 지도를 그리지는 않았지만(오늘날 대부분의 탐지기가 그렇게 합니다) 루이스와 클라크의 탐험에서는 산, 강 및 기타 특징을 묘사했습니다. 문맥. 우리는 AI 시스템이 같은 일을 하길 원합니다.
이러한 시스템을 개발하기 위해 우리는 학생에게 국내 횡단 비행 중에 디지털 카메라로 이미지를 캡처하도록 했습니다. 그런 다음 캡처한 데이터에 다양한 비지도 학습 방법을 적용했습니다. 우리는 인공지능이 산, 숲, 강이 있다는 것을 알고, 구름, 낮, 밤 등이 있다는 것을 알게 되기를 바랍니다.
Q: 다가오는 화성 2020 탐사선 임무에서 인공지능이 어떤 역할을 하게 될까요?
이번 작업에서는 세 가지 측면에서 인공지능 기술을 적용합니다. 첫 번째는 '로버(Rover)'의 자율주행 기술로, 이는 '패스파인더(Pathfinder)'로 거슬러 올라갈 수 있으며 MER(Mars Exploration Rover) 프로그램의 일부이기도 하다. 자율 주행은 속도와 안전 측면에서 서로 다른 균형을 유지하면서 로버에게 어디로 가야 할지 엄격하게 제어하고 지시할 수 있는 다이얼과 같습니다.
인공지능의 두 번째 영역에는 로버가 과학 연구를 수행하는 데 도움을 주는 시스템이 포함됩니다. 포지셔닝 기능은 훨씬 더 좋아질 것이며 탐사선의 SuperCam뿐만 아니라 이미징, 화학 성분 분석 및 광물학을 제공하는 더 많은 장비가 있을 것입니다. SuperCam은 초기 화성 탐사선에 탑재된 ChemCam의 진화된 버전으로, 레이저를 사용하여 생성된 가스를 스캔하고 연구하여 암석의 화학적 구성을 이해합니다.
이전 화성 탐사선인 화성 과학 연구소(Mars Science Laboratory)와 현재 M2020은 자율 탐사라고 알려진 기능인 표적 모양, 질감 또는 질감과 같은 과학적 기준을 기반으로 표적을 선택하고 후속 이미지 연구를 수행하는 능력이 점점 더 커지고 있습니다. AEGIS(수집 증강 과학) 시스템을 통해 로버는 더 짧은 시간에 더 많은 과학적 연구를 수행할 수 있습니다.
셋째, '화성 2020' 탐사선은 더욱 복잡한 일정 시스템을 갖춰 더욱 역동적으로 변할 것입니다. 작업이 앞당기거나 뒤처지면 로버가 자동으로 이동 거리를 조정하여 생산성을 높입니다.
Q: AI는 '로버'가 화성의 동굴을 탐험하는 데 어떻게 도움을 줄 수 있나요?
화성 표면을 탐험하면서 과학자들은 화성의 용암 동굴을 조사하고 싶어합니다. 동굴 깊숙이 들어가는 것은 '중계 경주'와 같기 때문에 이러한 임무는 며칠만 지속될 수 있습니다. 왜냐하면 '로버'는 전적으로 배터리 전원에 의존하고 동굴 탐사에는 많은 인공 지능이 필요하기 때문입니다. AI는 제한된 시간 내에 최대한 효율적으로 최대한 많은 동굴을 조정하고 매핑하고 탐색해야 합니다. 우리가 작업해 온 접근 방식 중 하나는 동적 지역 할당으로, 다음과 같이 시작할 수 있습니다. 4대의 탐사선이 있고 화성의 동굴로 100피트 들어가려고 합니다. 첫 번째 탐사선은 0~25피트 범위의 지도를 갖고 있었고, 두 번째 탐사선은 25~50피트 범위의 지도를 가지고 있었습니다. 그들은 단계별로 동굴 지도를 그릴 것입니다. 이것은 고전적인 분할 및 정복입니다.
그들은 또한 동굴 밖으로 데이터를 전달하기 위해 서로를 사용합니다. 탐사선을 동굴로 보내는 것은 더 이상 외부 세계와 통신할 수 없다는 것을 의미합니다. 그래서 그들은 우리가 "운동화 그물망"이라고 부르는 작업을 시작했습니다. 첫 번째 탐사선은 통신 범위를 벗어날 때까지 동굴 안으로 들어가서 관찰을 완료한 다음 데이터를 전송하기 위해 범위 안으로 돌아옵니다. 두 번째 차량은 동굴 깊숙이 들어갔습니다. 그러나 첫 번째 로버의 범위 내로 돌아오기만 하면 되었으며, 각 로버는 100피트를 커버하기 위해 점차적으로 동굴 안으로 더 깊이 들어갔습니다. 탐지기는 동굴 밖으로 나오지 않지만 그들이 수집하는 데이터는 나올 것입니다. 배터리가 너무 오래 지속되기 때문에 이 임무는 3~4일 정도 소요됩니다.
Q: 우주 탐사에서 인공지능의 궁극적인 테스트는 무엇인가요?
우주에서 인공지능의 궁극적인 테스트는 '시간'입니다. 예를 들어, 유로파 잠수정은 몇 년 동안 혼자 살아남아야 했으며, 아마도 30일에 한 번씩만 지구와 접촉할 수 있을 것입니다. 잠수정을 지구 표면에 착륙시키기 전에 만년설이 녹을 때까지 기다리려면 1년이 걸립니다. 또한 탐지기는 적도에서 극지방까지의 열수 분출구를 찾고 싶어합니다. 마치 동굴에 있는 "탐사선"처럼 외부 세계와 통신하려면 나가서 돌아와야 합니다. 이 경우 탐사선은 6개월 또는 1년 동안 스스로 생존할 수 있습니다. 이를 시뮬레이션하기 위해 우리는 얼음 아래 열수 분출구를 연구하기 위해 AI로 제어되는 잠수정을 설계했습니다. 과학자들은 남극 빙붕 아래에서 기후 변화가 미치는 영향을 연구하기를 원합니다. 이 임무에는 유사한 기술이 필요합니다.
그래도 우주선이 완전히 자율적으로 작동하고 프록시마 센타우리(가장 가까운 항성계)를 오가는 통신 여행에 최대 9년이 걸릴 수 있기 때문에 이것은 성간 임무에 비하면 아무 것도 아닙니다. 트라피스트-1(표면 온도가 매우 낮은 적색 왜성)으로 가면 이 은하는 우리로부터 약 40광년 떨어진 태양계 외부에 생명체가 존재할 가능성이 가장 높은 행성입니다. 통신 지연으로 인해 우주선은 자체에 더 의존해야 하므로 이러한 작업을 수행하려면 충분히 강력한 AI가 필요합니다.