یکی از راه‌های حفظ رهبری در فضا به‌عنوان یک حوزه حیاتی برای ماموریت‌ها، تحقیقات علمی و امنیت ملی برای دولت‌ها، دستیابی به برتری داده‌ای از طریق بهره‌گیری از ابزارهای هوش مصنوعی مانند الگوریتم‌های یادگیری ماشین در ماموریت‌های فضایی است تا امکان تصمیم‌گیری در لحظه را فراهم کند.
این فناوری‌ها می‌توانند برای تحلیل‌های مهندسی و اندازه‌گیری‌های علمی فرصت‌محور مورد استفاده قرار گیرند. تجزیه‌وتحلیل داده‌ها و الگوریتم‌های یادگیری ماشین همچنین می‌توانند منابع را بهینه‌سازی کرده، داده‌های ارسالی به زمین را اولویت‌بندی کرده و الگوها را به‌سرعت شناسایی کنند.
هدف این راهبردها، توسعه فضاپیماهایی است که قادر به تحلیل موقعیتی در لحظه باشند، تصمیم‌گیری‌های خودکار انجام دهند و ماموریت‌های فضایی را بیش از پیش بهینه کنند. توسعه و دستیابی به فضاپیماهای علمی و اکتشافی خودمختار، نیازمند تغییر اساسی در رویکرد اکتشافات فضایی است.
در همین رابطه بخوانید: کاربرد هوش مصنوعی در اکتشاف‌های فضایی
تحول در ماموریت‌های فضایی با فضاپیماهای هوشمند
تجزیه‌وتحلیل داده‌ها و الگوریتم‌های یادگیری ماشین (ML) نیروی محرکه ماموریت‌های فضایی هستند. این فناوری‌ها می‌توانند منابعی مانند مصرف سوخت و انرژی را بهینه‌سازی کرده، به برنامه‌ریزی و زمان‌بندی رصد تلسکوپ‌های فضایی کمک کنند و داده‌های ارسالی به زمین را بر اساس اولویت تنظیم نمایند.
در حالی که الگوریتم‌های یادگیری ماشین روی زمین می‌توانند الگوها یا همبستگی‌ها را در مجموعه داده‌های عظیم به‌سرعت شناسایی کنند (زیرا تیم‌های ماموریت‌های علمی زمین‌شناسی قادر به مدیریت حجم عظیم داده‌ها نیستند)، مدل‌های یادگیری ماشین که مستقیما روی فضاپیما اجرا می‌شوند، می‌توانند ماموریت‌ها را حتی کارآمدتر کنند. به عنوان مثال، یک فضاپیمای مجهز به یادگیری ماشین در ماموریت کشف حیات می‌تواند داده‌های جمع‌آوری‌شده را در لحظه تحلیل کند، نشانه‌های ترکیبات آلی را شناسایی کرده و در نهایت، بدون نیاز به مداخله مستقیم از زمین، اولویت‌بندی مکان‌های نمونه‌برداری بعدی را انجام دهد.
هدف بلندمدت این رویکرد، انجام تحلیل داده‌ها در همان محل و در لحظه توسط فضاپیماهایی است که تصمیمات خودمختاری اتخاذ می‌کنند تا اولویت‌های علمی را بدون وابستگی کامل به عملیات مستقر در زمین مشخص کند.
تصور کنید یک فضاپیما روی قمر انسلادوس (Enceladus) زحل در حال جمع‌آوری داده از فوران‌های قطب جنوب آن باشد، سپس داده‌ها را مستقیما روی فضاپیما تحلیل کرده و سایر عملیات را بدون نیاز به دریافت دستور از دانشمندان روی زمین، بر اساس تحلیل‌های نرم‌افزاری، مدل‌های مبتنی بر هوش مصنوعی و محاسبات لبه‌ای (Edge Computing) اولویت‌بندی کند.
اگرچه اجرای این فناوری روی فضاپیماها می‌تواند به تصمیم‌گیری‌های سریع‌تر و بهینه‌تر برای مدیریت منابع و بازده علمی بیشتر کمک کند، اما چالش‌های متعددی باید برطرف شوند تا این چشم‌انداز به واقعیت تبدیل شود و آینده‌ای کارآمدتر برای ماموریت‌های فضایی رقم بخورد.
چالش‌های فنی در مسیر به‌کارگیری هوش مصنوعی در فضاپیماها
یکی از چالش‌های اساسی در به‌کارگیری فضاپیماهای مجهز به هوش مصنوعی، محدودیت توان پردازشی درون فضاپیما است. این محدودیت ناشی از محدودیت‌های شدید در مصرف انرژی و وزن است که باعث می‌شود تخصیص انرژی بین ارتباطات، جابه‌جایی، اجرای آزمایش‌های علمی، پردازش داده‌ها و سایر عملکردها به یک چالش پیچیده تبدیل شود. علاوه بر این، فرآیند «مقاوم‌سازی در برابر شرایط فضایی» که شامل کنترل حرارتی، محافظت در برابر تشعشعات و مقابله با زباله‌های شهابی و مداری است، توسعه سخت‌افزار را پیچیده‌تر کرده و هزینه‌ها را افزایش می‌دهد.
محدودیت پهنای باند و تاخیر در ارتباطات نیز یکی دیگر از چالش‌های انتقال داده است. به‌ویژه هنگامی که سیاره هدف در خط دید مستقیم زمین قرار ندارد، ارتباط با فضاپیماهای معمول به‌طور کامل غیرممکن می‌شود.
از مهم‌ترین چالش‌ها، اعتماد به راهبردهای مبتنی بر هوش مصنوعی است، به‌خصوص در ماموریت‌های کشف حیات. مدل‌های یادگیری ماشین اغلب به‌عنوان جعبه سیاه در نظر گرفته می‌شوند، که باعث می‌شود دانشمندان به‌طور کامل به خروجی این الگوریتم‌ها اعتماد نکنند.
پذیرش هوش مصنوعی و یادگیری ماشین در اکتشافات فضایی، نویدبخش آینده‌ای همراه با خوش‌بینی، کنجکاوی و اکتشافات علمی است. برای تحقق این آینده، صنعت فضایی باید بر راه‌حل‌هایی مانند توسعه سخت‌افزاری که پردازش هوش مصنوعی را در لحظه امکان‌پذیر می‌کند، پیشرفت ابزارهای انتقال داده و سرمایه‌گذاری مداوم در شبکه اعماق فضا (DSN) برای افزایش کارایی انتقال داده در مأموریت‌ها تمرکز کند.
یکی از چالش‌های کلیدی این است که صنعت فضایی باید ثابت کند سخت‌افزارهای جدید واقعا تاثیرگذار هستند. ماموریت‌های فضایی به سابقه پروازی تجهیزات متکی هستند، بنابراین برای اثبات کارایی سخت‌افزارهای جدید، باید فرآیندی برای آزمایش و نمایش عملکرد این فناوری در مأموریت‌های واقعی وجود داشته باشد.
علاوه بر این، فرآیند اولویت‌بندی داده‌ها بر اساس تحلیل‌های مبتنی بر داده باید مورد آزمایش قرار گیرد. در حال حاضر، ماموریت‌های فضایی برای جمع‌آوری داده‌ها به میزانی طراحی شده‌اند که امکان ارسال آن‌ها به زمین وجود داشته باشد. اما با ظهور فضاپیماهای مجهز به هوش مصنوعی، تغییری اساسی رخ خواهد داد، زیرا دیگر محدودیت انتقال داده به زمین به‌عنوان یک مانع اصلی مطرح نخواهد بود و اولویت‌بندی داده‌ها می‌تواند به‌طور مستقل انجام شود.
هدف نهایی این است که فضاپیما تا حد امکان داده جمع‌آوری کند و سپس یک الگوریتم هوشمند به‌طور خودکار مهم‌ترین داده‌ها را برای ارسال به زمین انتخاب کند. افزایش فرصت‌های آزمایش الگوریتم‌ها در شبیه‌سازی‌ها و ماموریت‌های علمی کم‌ریسک، سطح آمادگی فناوری این راه‌حل‌ها را ارتقا خواهد داد.
ماموریت‌های فضایی تاکنون بر اساس دستورالعمل‌های از پیش برنامه‌ریزی‌شده و تحلیل‌های گسترده با مداخله مستقیم از زمین انجام شده‌اند. اما این رویکرد، تغییر اساسی در الگوی پژوهش و توسعه فضایی ایجاد خواهد کرد. حرکت به سمت داده‌محوری در فضا برای موفقیت ماموریت‌ها ضروری است، به‌ویژه در زمان کاوش اهدافی که در فواصل دورتری از منظومه شمسی ما قرار دارند.
نوآوری در پردازش و تحلیل داده‌های فضایی
همکاری با بخش خصوصی نقشی کلیدی در تحول ماموریت‌های فضایی دارد؛ بهره‌گیری از دیدگاه‌های تخصصی می‌تواند به ارائه راهکارها و راهبردهای نوآورانه‌ای منجر شود که تیم‌های فضایی را در طراحی و توسعه فضاپیماهایی با قابلیت پردازش، انتقال و تفسیر موثر داده‌های حیاتی یاری می‌دهد.
چنین همکاری‌هایی می‌تواند روند توسعه پردازنده‌های هوش مصنوعی مخصوص فضا را تسریع کند، به‌گونه‌ای که این پردازنده‌ها مقاوم در برابر تشعشعات و به‌شدت بهینه از نظر مصرف انرژی باشند. نمونه‌هایی از این همکاری‌ها در حال حاضر وجود دارند، مانند همکاری ناسا و شرکت چندملیتی IBM به مرکزیت آمریکا در زمینه هوش مصنوعی.
آژانس‌های فضایی و کل صنعت فضایی همچنین باید یک راهکار هوشمند برای جمع‌آوری و پردازش داده‌ها پیاده‌سازی کنند؛ فرآیندی که شامل مراحل جمع‌آوری، برچسب‌گذاری، تحلیل و مدیریت داده‌ها باشد تا تیم‌ها بتوانند در لحظه به داده‌های حیاتی دسترسی داشته باشند و تصمیمات لازم را برای عملیات‌های حساس ماموریت اتخاذ کنند.
داده‌ها همچنین می‌توانند در مدل‌های یادگیری ماشین برای کاربردهای مختلفی مانند شناسایی ناهنجاری‌ها، پیش‌بینی خرابی سخت‌افزار و تحلیل داده‌های علمی به کار گرفته شوند. این کار می‌تواند از طریق آموزش مدل‌ها روی زمین و سپس تنظیم آن‌ها برای اهداف خاص هر ماموریت فضایی انجام شود.
استفاده موثرتر از داده‌های کلان همچنین به تیم‌های زمینی اجازه می‌دهد ابزارهای شبیه‌سازی و تصویری‌سازی را توسعه دهند. این ابزارها می‌توانند شامل دوقلوهای دیجیتال (نسخه‌های مجازی از فضاپیماها و محیط‌های سیاره‌ای برای شبیه‌سازی ماموریت‌ها و آزمایش الگوریتم‌ها پیش از استقرار واقعی) باشند که منجر به تصمیم‌گیری‌های هوشمندانه‌تر و دقیق‌تر برای عملیات ماموریت خواهد شد.
ایجاد یک محیط داده‌محور تنها به معنای پیاده‌سازی ابزارهای نسل بعدی نیست، بلکه به‌عنوان یک محرک برای کشف‌ها و اکتشافات فضایی آینده عمل می‌کند.
پیشبرد اکتشافات فضایی مبتنی بر هوش مصنوعی نیازمند همکاری‌های میان‌رشته‌ای بین متخصصان هوش مصنوعی، مهندسان نرم‌افزار، اخترزیست‌شناسان و دیگر حوزه‌های مرتبط است تا اطمینان حاصل شود که ابزارها و مدل‌ها انعطاف‌پذیر و مقیاس‌پذیر هستند. با پیشرفت توان پردازشی و قابلیت‌های درون‌فضاپیمایی، وظایف سنگین داده‌محور (مانند تحلیل طیفی با استفاده از یادگیری ماشین) می‌توانند به‌طور فزاینده‌ای در فضا انجام شوند، که این امر منجر به تولید بینش‌های لحظه‌ای و کشفیات علمی مشارکتی خواهد شد و دروازه‌ای به سوی نسل بعدی اکتشافات فضایی خواهد گشود.
