Le SETI Institute et le Frontier Development Lab (FDL.ai) annoncent le lancement de SpaceML.org. SpaceML est une ressource qui met des ensembles de données prêts pour l'IA à la disposition des chercheurs travaillant dans les sciences et l'exploration spatiales, permettant une expérimentation rapide et une reproductibilité.

Le SpaceML Repo est une boîte à outils d'apprentissage automatique et une ressource gérée par la communauté pour permettre aux chercheurs de s'engager plus efficacement dans l'IA pour la science et l'exploration spatiales. Il est conçu pour aider à combler le fossé entre le stockage de données, partage de code et analyse côté serveur (cloud).

SpaceML.org comprend des ensembles de données prêts pour l'analyse, projets de science spatiale et outils MLOPS conçus pour accélérer les flux de travail d'IA existants vers de nouveaux cas d'utilisation. Les ensembles de données et les projets s'appuient sur cinq années d'applications d'IA de pointe complétées par des équipes FDL de doctorats en début de carrière dans les domaines de l'IA/ML et des sciences multidisciplinaires en partenariat avec la NASA, Partenaires commerciaux de l'ESA et de FDL. Les domaines de défi comprennent les sciences de la terre, exploration lunaire, astrobiologie, défense planétaire, médecine d'exploration, réponse désastreuse, héliophysique et météorologie spatiale.

« Les applications les plus percutantes et les plus utiles des techniques d'IA et d'apprentissage automatique nécessitent des ensembles de données correctement préparés, organisé et structuré pour de telles approches, " a déclaré Bill Diamond, PDG de l'Institut SETI. « Cinq années de recherche FDL dans un large éventail de domaines scientifiques ont permis d'établir un certain nombre d'ensembles de données prêts pour l'analyse que nous sommes ravis de mettre désormais à la disposition de la communauté de recherche au sens large. »

FDL applique les technologies d'IA et d'apprentissage automatique (ML) à la science pour repousser les frontières de la recherche et développer de nouveaux outils pour aider à résoudre certains des plus grands défis de l'humanité, ici sur Terre et dans l'espace.

Les projets hébergés sur SpaceML.org pour la communauté des chercheurs comprennent :

• Un projet s'attaquant au problème de l'utilisation du ML pour calibrer automatiquement les instruments spatiaux utilisés pour observer le Soleil. Après des années d'exposition à notre étoile, ces instruments se dégradent avec le temps, un peu comme des cataractes. Le recalibrage nécessite des fusées-sondes coûteuses. En utilisant le ML, l'équipe a pu augmenter les données, en fait "enlever" les cataractes.

  "L'obstacle pour de nombreux chercheurs à commencer à utiliser l'ensemble de données SDOML, et commencer à développer des solutions de ML, est la friction qu'ils subissent lors du premier démarrage, " a déclaré Mark Cheung, Physicien principal chez Lockheed Martin et chercheur principal pour l'Observatoire de la dynamique solaire/Assemblage d'imagerie atmosphérique de la NASA. "SpaceML leur donne un coup de pouce en réduisant l'effort nécessaire pour l'analyse exploratoire des données et le déploiement du modèle. Il démontre également la reproductibilité en action."

• Un autre projet montre comment la réduction des données d'un réseau de surveillance des météores connu sous le nom de CAMS (Cameras for Allsky Meteor Surveillance) pourrait être automatisée pour identifier de nouveaux amas de pluies de météores, potentiellement les traces d'anciennes comètes traversant la Terre. Depuis la mise en place du pipeline d'IA, un total de neuf nouvelles pluies de météores ont été découvertes via le CAMS.

  "SpaceML a contribué à accélérer l'impact en faisant appel à une équipe de scientifiques citoyens qui ont déployé un apprentissage actif interprétable et un classificateur de météores alimenté par l'IA pour automatiser les informations, permettant aux astronomes de focaliser leurs recherches pour le projet SETI CAMS, " dit Siddha Ganju, Architecte IA auto-conduite et instruments médicaux, Nvidia (membre fondateur des initiatives CAMS et Worldview Search de SpaceML). "Au cours de SpaceML, nous (1) avons standardisé le pipeline de traitement pour traiter l'ensemble de données de météores d'une décennie collecté par CAMS, et, établi le classificateur de météores de pointe avec une stratégie d'augmentation unique; (2) activé l'apprentissage actif dans le pipeline CAMS pour automatiser les informations ; et, (3) mis à jour le portail NASA CAMS Meteor Shower qui comprend désormais des points de référence célestes et un outil de communication scientifique. Et la meilleure chose est que les futurs scientifiques citoyens peuvent participer au projet CAMS en s'appuyant sur les modèles formés accessibles au public, scénario, et des outils Web."

  SpaceML héberge également INARA (Intelligent ExoplaNET Atmospheric RetrievAI), un pipeline pour la récupération atmosphérique basé sur un ensemble de données synthétisées de trois millions de spectres planétaires, pour détecter des preuves d'une activité biologique possible dans les atmosphères des exoplanètes - en d'autres termes, "Sommes-nous seuls?"

  SpaceML.org cherche à organiser un référentiel central de cahiers de projet et d'ensembles de données générés à partir de projets similaires à ceux énumérés ci-dessus. Ces référentiels de projet contiennent un bloc-notes Google "Co-Lab" qui guide les utilisateurs à travers l'ensemble de données et comprend un petit extrait de données pour un test rapide avant de s'engager sur l'ensemble de données (qui sont invariablement très volumineux).

  Les projets abritent également l'ensemble de données complet utilisé pour les défis, qui peut être mis à disposition sur demande. En outre, SpaceML cherche à faciliter la gestion de nouveaux ensembles de données résultant de recherches en cours et, en temps voulu, de tournois organisés pour inviter à des améliorations des modèles (et des données) de ML par rapport à des références connues.

  « Nous étions préoccupés par la façon de rendre nos recherches en IA plus reproductibles, " dit James Parr, Directeur et PDG de FDL, Technologies Trillium. « Nous avons réalisé que la meilleure façon de le faire était de rendre les données facilement accessibles, mais aussi que nous devions simplifier à la fois le processus d'intégration, expérimentation initiale et processus d'adaptation du flux de travail."

  "Le problème avec la reproductibilité de l'IA n'est pas nécessairement, 'pas inventé ici' - c'est plus, "pas assez de temps pour essayer." Nous avons pensé que si nous pouvions partager des données prêtes pour l'analyse, permettre une expérimentation rapide côté serveur et un bon contrôle de version, ce serait la meilleure chose à faire pour que ces outils soient repris par la communauté pour le bénéfice de tous. »

  FDL lance son programme 2021 le 16 juin 2021, avec des chercheurs aux États-Unis abordant sept défis dans les domaines de l'héliophysique, Astronaute Santé, Sciences planétaires et sciences de la Terre. Le programme culminera à la mi-août, avec des équipes présentant leur travail dans un événement virtuel.