Em 2023, a NASA planeja lançar o Europa Clipper mission, um explorador robótico que estudará a enigmática lua de Júpiter, Europa. O objetivo desta missão é explorar a concha de gelo e o interior de Europa para aprender mais sobre a composição, geologia e interações da lua entre a superfície e o subsolo. Acima de tudo, o objetivo desta missão é esclarecer se a vida poderia ou não existir no oceano interior de Europa.
Isso apresenta numerosos desafios, muitos dos quais decorrem do fato de que o Europa Clipper estará muito longe da Terra quando conduzir suas operações científicas. Para resolver isso, uma equipe de pesquisadores do Laboratório de Propulsão a Jato da NASA (JPL) e da Universidade Estadual do Arizona (ASU) projetou uma série de algoritmos de aprendizado de máquina que permitirão à missão explorar a Europa com um certo grau de autonomia.
Como esses algoritmos podem ajudar nas futuras missões de exploração do espaço profundo foi o assunto de uma apresentação realizada na semana passada (7 de agosto) na 25ª Conferência da ACM SIGKDD sobre descoberta de conhecimento e mineração de dados em Anchorage, no Alasca. Esta conferência anual reúne pesquisadores e profissionais em ciência de dados, mineração e análise de dados de todo o mundo para discutir os mais recentes desenvolvimentos e aplicações em campo.
Quando se trata disso, a comunicação com missões no espaço profundo é um trabalho demorado e desafiador. Ao se comunicar com missões na superfície de Marte ou em órbita, pode levar um sinal de até 25 minutos para alcançá-las da Terra (ou vice-versa). O envio de sinais para Júpiter, por outro lado, pode levar entre 30 minutos e até uma hora, dependendo de onde está em sua órbita em relação à Terra.
Como os autores observam em seu estudo, as atividades da sonda são normalmente transmitidas em um script pré-planejado, e não através de comandos em tempo real. Essa abordagem é muito eficaz quando a posição, o ambiente e outros fatores que afetam a espaçonave são conhecidos ou podem ser previstos com antecedência. No entanto, isso também significa que os controladores de missão não podem reagir a desenvolvimentos inesperados em tempo real.
Como Dr. Kiri L. Wagstaff, Pesquisador Principal do Grupo de Aprendizado de Máquina e Autonomia de Instrumentos da NASA JPL, explicou à Space Magazine por e-mail:
“Explorar um mundo distante demais para permitir o controle humano direto é um desafio. Todas as atividades devem ser pré-programadas. Uma resposta rápida a novas descobertas ou mudanças no ambiente exige que a própria espaçonave tome decisões, que chamamos de autonomia da espaçonave. Além disso, operar a quase um bilhão de quilômetros da Terra significa que as taxas de transmissão de dados são muito baixas.
“A capacidade da sonda de coletar dados excede o que pode ser enviado de volta. Isso levanta a questão de quais dados devem ser coletados e como devem ser priorizados. Finalmente, no caso da Europa, a sonda também será bombardeada por intensa radiação, que pode corromper dados e causar redefinições de computador. Lidar com esses perigos também requer tomada de decisão autônoma. ”
Por esse motivo, a Dra. Wagstaff e seus colegas começaram a procurar possíveis métodos de análise de dados a bordo que operariam onde e quando a supervisão humana direta não fosse possível. Esses métodos são particularmente importantes ao lidar com eventos raros e transitórios cuja ocorrência, local e duração não podem ser previstos.
Isso inclui fenômenos como os demônios da poeira que foram observados em Marte, impactos de meteoritos, raios em Saturno e plumas geladas emitidas por Encélado e outros corpos. Para resolver isso, a Dra. Wagstaff e sua equipe procuraram os recentes avanços nos algoritmos de aprendizado de máquina, que permitem um certo grau de automação e tomada de decisão independente em computação. Como o Dr. Wagstaff disse:
“Os métodos de aprendizado de máquina permitem que a própria espaçonave examine os dados à medida que são coletados. A sonda pode então identificar quais observações contêm eventos de interesse. Isso pode influenciar a atribuição de prioridades de downlink. O objetivo é aumentar a chance de que as descobertas mais interessantes sejam feitas primeiro com o downlink. Quando a coleta de dados excede o que pode ser transmitido, a própria sonda pode explorar os dados adicionais para obter informações científicas valiosas.
“A análise a bordo também pode permitir que a sonda decida quais dados serão coletados a seguir com base no que já descobriu. Isso foi demonstrado na órbita terrestre usando o Autonomous Sciencecraft Experiment e na superfície de Marte usando o sistema AEGIS no rover Mars Science Laboratory (Curiosity). A coleta de dados autônoma e responsiva pode acelerar bastante a exploração científica. Nosso objetivo é estender essa capacidade ao sistema solar externo também. ”
Esses algoritmos foram projetados especificamente para ajudar com três tipos de investigações científicas que serão de extrema importância para o Europa Clipper missão. Isso inclui a detecção de anomalias térmicas (pontos quentes), anomalias de composição (minerais ou depósitos de superfície incomuns) e plumas ativas de matéria gelada do oceano subterrâneo de Europa.
"Nesse cenário, o cálculo é muito limitado", disse o Dr. Wagstaff. “O computador da espaçonave funciona a uma velocidade semelhante ao computador de mesa, de meados ao final dos anos 90 (~ 200 MHz). Portanto, priorizamos algoritmos simples e eficientes. Um benefício colateral é que os algoritmos são fáceis de entender, implementar e interpretar. ”
Para testar seu método, a equipe aplicou seus algoritmos a dados simulados e observações de missões espaciais passadas. Estes incluíram o Galileu nave espacial, que fez observações espectrais da Europa para aprender mais sobre sua composição; a Cassini nave espacial, que capturou imagens da atividade das plumas na lua de Saturno, Encélado; e a Novos horizontes imagens de naves espaciais de atividade vulcânica na lua Io de Júpiter.
Os resultados desses testes mostraram que cada um dos três algoritmos demonstrou um desempenho suficientemente alto para contribuir com os objetivos científicos descritos na Pesquisa Decadal de Ciência Planetária de 2011. Isso inclui "confirmar a presença de um oceano interior, caracterizar a concha de gelo do satélite e permitir o entendimento de sua história geológica" na Europa para confirmar "o potencial do sistema solar externo como morada para a vida".
Além disso, esses algoritmos podem ter implicações de longo alcance para outras missões robóticas nos destinos do espaço profundo. Além do sistema de luas de Europa e Júpiter, a NASA espera explorar as luas de Saturno, Encélado e Titã, para possíveis sinais de vida em um futuro próximo, bem como destinos que estão ainda mais longe (como a lua de Netuno, Tritão e até Plutão). Mas os aplicativos não param por aí. Wagstaff colocou:
"A autonomia da espaçonave nos permite explorar para onde os humanos não podem ir. Isso inclui destinos remotos como Júpiter e locais além do nosso próprio sistema solar. Também inclui ambientes mais próximos que são perigosos para os seres humanos, como o fundo do fundo do mar ou configurações de alta radiação aqui na Terra. ”
Não é difícil imaginar um futuro próximo em que missões robóticas semi-autônomas sejam capazes de explorar as partes externa e interna do Sistema Solar sem a supervisão humana regular. Olhando para o futuro, não é difícil imaginar uma época em que robôs totalmente autônomos sejam capazes de explorar planetas extra-solares e enviar suas descobertas para casa.
Enquanto isso, um sistema semi-autônomo Europa Clipper pode encontrar a evidência de que todos estamos esperando! Seriam bioassinaturas que provam que realmente existe vida além da Terra!
