머신러닝은 놀라운 방법으로 우주의 신비를 풀어내고 있습니다.

우주 여행, 탐험, 관찰에는 인류 역사상 가장 복잡하고 위험한 일련의 과학 및 기술 작업이 포함되는 경우가 많습니다. 이러한 분야에서 인공지능(AI)은 강력한 보조자임이 입증되었습니다.

궁극의 개척지를 탐험하고 문서화하는 임무를 맡은 우주 비행사, 과학자 및 기타 사람들이 그들이 직면한 특별한 과제를 해결하는 데 적극적으로 머신 러닝(ML)을 사용하는 이유가 바로 여기에 있습니다.

우주를 통해 로켓을 유도하는 것부터 먼 행성의 표면을 연구하고, 우주의 크기를 측정하고 천체의 운동 궤적을 계산하는 것까지 AI는 우주에서 흥미롭고 흥미로운 응용 시나리오를 많이 가지고 있습니다.

Space Voyage

우주선의 이착륙 과정에서 AI는 엔진 작동을 자동화하고 랜딩 기어와 같은 기능의 실제 배치를 관리하여 연료의 분배와 사용을 최적화할 수 있습니다.

SpaceX는 AI 내비게이션 시스템을 사용하여 Falcon 9 우주선의 자율 작동을 달성했으며 NASA와 체결한 화물 운송 계약에 따라 국제 우주 정거장(ISS)에 성공적으로 도킹했습니다. 이 시스템은 연료 사용, 대기 교란 및 엔진 내부의 액체 "출렁거림"을 고려하여 우주를 통과하는 로켓의 궤적을 계산할 수 있습니다.

CIMON 2는 Airbus가 설계한 로봇으로, 우주비행사 옆에 있는 모바일 Amazon Alexa 가상 비서에 해당합니다. IBM Watson AI 시스템을 사용하여 구축된 이 시스템은 내부 팬을 사용하여 앞으로 나아가며 핸즈프리 정보 데이터베이스, 컴퓨터 및 카메라 역할을 할 수 있습니다. 목소리의 스트레스 수준을 분석하여 우주비행사의 기분과 정신 상태를 평가할 수도 있습니다.

NASA 제트 추진 연구소의 임무 기획자는 AI를 사용하여 다양한 임무 매개변수를 모델링하고 평가하여 다양한 옵션과 행동 과정의 잠재적 결과를 이해합니다. 이러한 실험은 미래의 우주선 설계 및 엔지니어링 작업에 대한 지침 정보를 제공할 수 있습니다. 수집된 데이터는 금성과 목성을 공전하는 얼음 달인 유로파에 착륙하는 것을 포함하여 다양한 가상의 미래 임무를 계획하는 데에도 사용될 수 있습니다.

SpaceX는 또한 AI 알고리즘을 사용하여 Starlink 위성이 우주에서 다른 궤도 또는 전환 차량과 충돌하지 않도록 합니다. 자율 항법 시스템은 실시간으로 주변 위험을 감지하고 위성의 속도와 궤도를 조정하여 회피 조치를 취할 수 있습니다.

영국 우주국(British Space Agency)도 자율적 행동을 통해 우주선과 위성이 우주 잔해를 피할 수 있도록 하는 자율 시스템을 개발했습니다. 2025년까지 영국 우주국은 우주 잔해를 포착하고 청소하는 임무를 가지고 이를 기반으로 자율 우주선을 발사할 계획이다. 사전에 통제하지 않으면 우주 쓰레기는 미래의 우주 비행에 위협이 될 가능성이 높습니다.

Planetary Exploration

화성 탐사선은 화성 표면 탐사 전용 로봇입니다. 우리는 그들이 지구로 보내는 데이터를 분석하고 학습할 수 있습니다. 기계 학습 알고리즘 덕분에 이 로봇은 하드웨어를 손상시키거나 고정시킬 수 있는 깊은 구덩이와 가파른 벽을 피하면서 화성 표면에서 자율적으로 탐색할 수 있습니다. 이전에 화성으로 보내졌던 스피릿 로버는 바퀴가 부드러운 흙에 끼어 그 자리에 갇히게 되었고, NASA는 2011년 마침내 구조와 접촉을 포기하기로 결정했습니다. NASA는 기계 학습 기술의 도움으로 다른 탐사선의 우발적인 손실을 성공적으로 방지했습니다.

최근 NASA의 제트 추진 연구소에서는 이미지 인식 도구를 사용하여 화성 탐사선과 같은 지상 로봇이 촬영한 이미지를 연구하고 지형 특징을 분류했습니다. 그들은 심지어 화성 표면에서 직경이 4미터에 불과한 분화구를 발견하기도 했습니다.

Perseverance 로버에는 화성 표면에서 발견되는 다양한 암석 유형을 감지하고 분류할 수 있는 AEGIS라는 컴퓨터 비전 시스템이 장착되어 있어 화성의 지질학적 구성에 대해 더 자세히 알아볼 수 있습니다.

화성 탐사선이 사용하는 AI 알고리즘을 집에서 훈련시키는 데에도 참여할 수 있습니다. AI4Mars 프로젝트는 사용자가 개인용 컴퓨터에 지형 특징을 표시하여 Curiosity 로버의 자율 항법 시스템을 개선하는 도구를 다운로드하도록 초대합니다.

지금까지 대부분의 표면 탐사는 바퀴 달린 로봇에 의존해 왔지만, 유럽 우주국에서는 "호핑" 로봇의 사용을 실험하고 있습니다. 이 로봇은 다리를 이용해 앞으로 움직이고 점프할 수 있습니다. AI 알고리즘은 로봇 팔다리의 움직임과 균형을 조정하여 거대한 분화구로 인해 형성된 달의 Aristarchus 고원과 같이 이전에는 접근할 수 없었던 달의 위치를 ​​탐색합니다.

사람들은 AI를 사용하여 달 표면을 감지하고 향후 유인 임무를 위한 최적의 착륙 지점을 결정하기 시작했습니다. 이는 또한 우주비행사들이 미래에 착륙할 환경을 충분히 이해하는 데 도움이 되며, 암스트롱과 같은 1세대 달 착륙선과 같은 큰 위험에 직면하지 않아도 됩니다.

우주 매핑

천문학자들은 AI를 사용하여 먼 성운에 있는 성단의 패턴을 식별하고 우주 지도를 작성하기 위해 깊은 우주에서 감지된 기타 분류된 특징과 결합합니다.

NASA의 케플러 망원경을 예로 들면, 별에서 방출되는 빛 복사의 감쇠를 분석하여 행성이 별과 지구 사이를 통과하는지 여부를 확인한 다음 행성의 가능한 위치를 결정할 수 있습니다.

AI는 별과 은하의 활동을 예측하는 데에도 사용되어 초신성 폭발과 같은 우주 사건의 잠재적 위치를 이해하는 데 도움이 됩니다.

신비한 물체가 중성자별과 충돌할 때 발생하는 중력파를 시계열 분석한 결과, 연구자들은 수십 개의 블랙홀의 존재를 발견했습니다.

AI 기술은 지구와 우주 전체를 내려다보는 데에도 사용됩니다. 2004년부터 가동을 시작한 자율 과학기술 실험 프로젝트는 지구 예측 1호 위성과 연결되어 카메라가 촬영한 이미지를 자동으로 분류한 후 귀중한 대역폭 전송을 지구로 보내는 데 더 가치 있는 이미지를 결정합니다.

UC Berkeley의 SETI@Home 프로젝트는 AI 알고리즘을 사용하여 전파 망원경에서 생성된 대량의 데이터를 처리하여 우주에서 외계 지능의 징후를 검색합니다. 프로젝트에서 검사를 위해 자원봉사자에게 새 데이터를 보내는 것을 중단했지만 여전히 분석 및 검색되지 않은 데이터의 양이 많기 때문에 이 자료에는 흥미로운 진실이 있을 수 있습니다!

AI는 현재까지 가장 정확한 블랙홀 이미지를 만드는 데에도 사용되었습니다. Roger Penrose, Reinhard Genzel 및 Andrea Ghez는 M87 은하 중심에 있는 초거대 블랙홀의 사실적인 이미지를 만들어낸 공로로 2020년 노벨상을 수상했습니다.

AI 응용 프로그램의 범위는 그 이상입니다. 이제 연구원들은 사건의 지평선을 넘어 AI 기술을 사용하여 블랙홀 내부에서 무슨 일이 일어나고 있는지 밝히기를 희망하고 있습니다. 이 작업에는 양자 컴퓨팅도 포함되며 물리학자들이 해당 분야의 가장 핵심적인 문제 중 하나인 아인슈타인의 일반 상대성 이론과 입자 물리학의 표준 모델을 통합하는 문제를 해결하는 데 도움이 될 것으로 예상됩니다.

사람들은 AI가 우주를 측정하고 크기와 모양을 더 잘 파악하는 데 도움이 되기를 바랍니다. 일본의 천문 데이터를 연구하기 위해 AI 슈퍼컴퓨터를 사용하여 알려진 우주의 존재와 일치하는 시뮬레이션된 별 지도를 만드는 데 성공했습니다. 이는 우리가 우주의 특성을 예측할 수 있고, 빛의 속도 한계로 인해 방해받는 현재 탐사의 경계(즉, 관측 가능한 우주)를 넘어설 수 있음을 의미합니다.

위 내용은 머신러닝은 놀라운 방법으로 우주의 신비를 풀어내고 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!