به گزارش گروه وبگردی خبرگزاری صدا و سيما، هوش مصنوعی در سال‌های اخیر به‌شدت مدنظر قرار گرفته است و مسائل زیادی را با سرعتی بیشتر از محاسبات سنتی حل کرده است. برای مثال، به‌تازگی دیپ‌مایند بخش هوش مصنوعی گوگل آلفا فولد ۲ را توسعه داد. این برنامه می‌تواند مسئله‌ی تاخوردگی پروتئین را حل کند. گفتنی است دانشمندان ۵۰ سال برای پاسخ به این مسئله تلاش کرده بودند.
پیشرفت‌های هوش مصنوعی زمینه‌ساز پیشرفت در تمام رشته‌ها می‌شوند و صرفا به کاربرد‌های سیاره‌ی زمین محدود نیستند. از طراحی مأموریت‌ها تا پاک‌سازی مدار زمین از ضایعات، هوش مصنوعی می‌تواند به‌کمک صنعت هوافضا بیاید.
دستیار فضانوردان
تارس و کیس، دو ربات فیلم مشهور میان‌ستاره‌ای (Interstellar) را به‌یاد می‌آورید؟ با اینکه هنوز رباتی برای مأموریت‌های فضایی طراحی نشده است، پژوهشگران می‌کوشند دستیار‌های هوشمند مشابهی برای کمک به فضانوردان توسعه دهند. این دستیار‌های مبتنی‌بر AI گرچه مانند فیلم‌ها ظاهری جذاب ندارند، می‌توانند برای اکتشافات فضایی مفید واقع شوند.
اخیرا دستیاری مجازی توسعه یافته است که می‌تواند خطر‌های مأموریت‌های طولانی فضایی مثل تغییرات هوای فضاپیما (مثلا افزایش سطح کربن‌دی‌اکسید) و خرابی حسگر‌ها را آشکار کند. این دستیار پیشنهاد‌هایی نیز برای حل مشکل ارائه می‌کند.
دستیار هوش مصنوعی به نام سیمون (Cimon) در دسامبر ۲۰۱۹ به ایستگاه فضایی بین‌المللی (ISS) فرستاده شد و قرار شد در بازه‌ای سه‌ساله آزمایش و بررسی شد. سیمون با اجرای وظایف درخواستی فضانوردان استرس آن‌ها را کاهش داد. ناسا همچنین به‌دنبال توسعه‌ی همراهی برای فضانوردان به نام روبوناوت است که به‌جای فضانوردان، وظایف خطرناک در ایستگاه فضایی بین‌المللی را برعهده می‌گیرد.
طراحی و برنامه‌ریزی مأموریت
برنامه‌ریزی مأموریت به مریخ وظیفه‌ی ساده‌ای نیست؛ اما هوش مصنوعی می‌تواند آن را ساده‌تر کند. مأموریت‌های جدید فضایی معمولا به اطلاعاتی وابسته‌اند که از پژوهش‌های قبلی جمع‌آوری شده‌اند. بااین‌حال، این اطلاعات اغلب محدود هستند و دسترسی به آن‌ها کاملا امکان‌پذیر نیست.
جریان اطلاعات تخصصی به دسترسی و اشتراک‌گذاری اطلاعات با مهندسان طراح مأموریت وابسته است؛ اما اگر تمام اطلاعات مأموریت‌های کاربردی گذشته فقط با چند کلیک در‌دسترس قرار بگیرند، تفاوت چشمگیری حاصل می‌شود. روزی سیستم‌ها مجهز به هوش مصنوعی خواهند شد و می‌توانند با اطلاعات مرتبط و مطمئن به پرسش‌های پیچیده هم پاسخ بدهند؛ در‌نتیجه به طراحی و برنامه‌ریزی مأموریت‌های جدید کمک کنند.
پژوهشگران مشغول کار روی ایده‌ی دستیار مهندس طراح هستند تا زمان لازم برای طراحی مأموریت اولیه را کاهش دهند. دافنه (Daphne) نمونه‌ی دیگری از دستیار هوشمند است که برای طراحی سیستم‌های ماهواره‌ای رصد زمین به‌کار می‌رود. مهندسان سیستم متعدد در تیم‌های طراحی ماهواره‌ای از دافنه استفاده کردند. این دستیار دسترسی به اطلاعات مرتبط از‌جمله بازخورد‌ها و پاسخ به پرسش‌های معین را آسان می‌سازد.
پردازش داده‌های ماهواره‌ای
ماهواره‌های رصد زمین معمولا داده‌های انبوهی را تولید می‌کنند. ایستگاه‌های مستقر در زمین این داده‌ها را در بازه‌ای طولانی از زمان دریافت می‌کنند و سپس با ترکیب داده‌ها می‌توانند آن‌ها را تحلیل کنند. با اینکه پروژه‌های انبوه‌سپاری برای تحلیل داده‌های ماهواره‌ای در مقیاس کوچک وجود دارند، هوش مصنوعی می‌تواند امکان تحلیل دقیق داده‌ها را فراهم کند.
هوش مصنوعی برای پردازش هوشمند حجم زیادی از داده‌ها مفید است. از هوش مصنوعی می‌توان برای تخمین ذخیره‌ی گرمایی در نواحی شهری و ترکیب داده‌های هواشناسی با تصاویر ماهواره‌ای برای تخمین سرعت باد استفاده کرد. هوش مصنوعی به تخمین تشعشعات و پرتو‌های خورشید نیز می‌تواند کمک کند.
از هوش مصنوعی می‌توان برای پردازش داده‌های ماهواره‌ای هم استفاده کرد. دانشمندان در پژوهشی جدید روش‌های مختلف هوش مصنوعی برای سیستم ناظر سلامت ماهواره‌ای از راه دور را واکاوی کردند. هوش مصنوعی به این روش می‌تواند داده‌های دریافتی از ماهواره‌ها را تحلیل کند تا هرگونه مشکل در ماهواره را شناسایی کند و داده‌های بصری را برای تصمیم‌گیری آگاهانه ارائه دهد.
سنگ‌ریزه‌های فضایی
یکی از مسائل فضایی بزرگ قرن بیست‌و‌یکم، ازبین‌بردن سنگ‌ریزه‌های فضایی است. به‌نقل از آژانس فضایی اروپا، نزدیک به ۳۴ هزار شیء بزرگ‌تر از ده سانتی‌متر تهدیدی جدی برای زیرساخت‌های فضایی هستند. همچنین برای رفع تهدیدها، روش‌های نوآورانه‌ای مثل طراحی ماهواره برای ورود به جو زمین در‌صورت ورود به مدار پایینی زمین وجود دارد که بدین ترتیب کنترل آن‌ها آسان‌تر می‌شود. روش دیگر اجتناب از برخورد‌های احتمالی در فضا و پیشگیری از تولید سنگ‌ریزه‌ها است. پژوهشگران در پژوهشی جدید با روش‌های یادگیری ماشین (ML) روشی برای طراحی مانور‌های اجتناب از برخورد توسعه دادند.
روش جدید دیگر استفاده از توان رایانشی عظیم موجود در زمین برای آموزش مدل‌های ML و فرستادن این مدل‌ها به فضاپیما‌های موجود در مدار است. فضاپیما از این مدل‌ها برای تصمیم‌های مختلف استفاده می‌کند. یکی از روش‌های اطمینان از امنیت پرواز‌های فضایی اخیرا با استفاده از شبکه‌های آموزش‌دیده پیشنهاد شد. بدین‌ترتیب، انعطاف بیشتری در طراحی ماهواره‌ها به‌وجود می‌آید و در‌عین‌حال، خطر برخورد در مدار به حداقل می‌رسد.
سیستم‌های هدایت
روی زمین معمولا از ابزاری مثل گوگل مپز استفاده می‌کنیم که براساس GPS است؛ اما چنین سیستمی برای اجرام فرازمینی وجود ندارد. برای مثال، ماهواره‌های هدایت در اطراف ماه یا مریخ وجود ندارد؛ اما می‌توان از میلیون‌ها تصویر دریافتی از ماهواره‌هایی مثل مدارپیمای اکتشافی قمری (LRO) استفاده کرد. سال ۲۰۱۸، تیمی از پژوهشگران ناسا در همکاری مشترکی با اینتل سیستم هدایت هوشمندی برای بررسی سیاره‌ها توسعه دادند. آن‌ها مدلی را براساس میلیون‌ها تصویر دریافتی از مأموریت‌های مختلف آموزش دادند و نقشه‌ای مجازی از ماه را تهیه کردند.
با ادامه‌ی اکتشافات جهان، مأموریت‌های بلندپروازانه‌ی انسان برای برآورده‌ساختن کنجکاوی او و بهبود زندگی افراد روی زمین ادامه می‌یابند. در این مسیر، هوش مصنوعی می‌تواند چه روی زمین و چه در فضا به بهبود اکتشافات کمک کند.
