美国国家航空和航天局（NASA）的重点是提供信息，以民间机构，帮助他们解决在家庭和空间科学问题。这需要原始数据的不断变化的环境下的连续流。根据2017年的采访凯文•墨菲地球科学数据系统计划执行美国宇航局，在目前最大的挑战是不是要去的地方没有人之前已经走了，但管理数据。
Murphy指出，到2016年为止，每天都有12.1TB的数据从陆地上的观察哨和传感器以及太空中流出，随着更好的工具的出现，数据流量预计将增加到每天24TB。此外，档案已经包含24PB (pb = 1,000TB)的数据，预计将增长到24PB150PB由2023年这些数据流内已在地球科学的威胁显著重要性，空间探索和潜在的资源和信息。
这篇文章着重介绍了最新的技术人工智能和机器学习在技术，使科学家能够更好，更快地收集和使用数据。这些应用程序的目的是确保美国航空航天局不会错过民用和商业用途，以及太空探索的潜在价值的东西。
机器视觉和地球科学
由美国宇航局收集的数据的显著量来自卫星，其中有下面是什么在地球上发生的鸟瞰图。卫星图像提供了数百万从洋流，冰的状态，和火山活动，所有这些都用于数据中心的地球上的备份数据的字节，组织和加工成的数据集。这看起来很简单，直到一个人认为这些原始数据的绝对数量。
处理大数据变成有用的挑战落在推进地球系统科学协作连接研究人员与地球观测系统数据和信息系统(EOSDIS)密切合作。ACCESS 2017项目团队正在使用最新的机器学习和数据传输技术研究数据管理的不同方面，但他们都必须这样做
保证数据是可用的和可访问的形式，以及“直接关系到地球面临的科学和应用科学与用户交互EOSDIS具体问题。”
ACCESS项目下的一个团队正致力于开发一种机器视觉的形式，使使用合成孔径雷达(SAR)图像管理大量大地测量数据的过程自动化。
SAR地球观测的多时段异常检测使用机器学习来帮助研究人员使用长期的、依赖于时间的历史数据来检测图像中的异常，比如它们是否描述了损害。与以前的数据系统(如高级快速成像和分析(ARIA))相比，这有助于做出更准确的预测，并简化决策支持系统。
TESS和系外行星
机器学习系统通常需要相当多的在其上训练的数据，但在这个没有困难，当涉及到行星搜索。一个NASA的目标，大多数激发公众发现太阳系外行星，太阳系外行星或者，也有可能会维持生命的存在地球上。科学家这样做与使用地面和太空望远镜。
科学家们已经能够超过2500颗系外行星与使用开普勒太空望远镜的观察，推出十年，18个行业的空间前得到这些更好看遥远的天体。他们通过从地球上看到的恒星的知名度观察“光点”或“抄底”检测到这些系外行星的存在，也被称为交通光度法，信号和光曲线。
科学家们认为这些骤降代表行星，它们环绕在周围的视线地球的线内侧面这些明星。他们指出，这些抄底的几个因素，找出一些有关这些系外行星，如大小，大小和它的轨道的形状，以及它是否是假阳性，（换句话说，不是一个星球）。
这已经产生了这些系外行星丰富的数据，以及2000颗的候选行星仍然进行确认。然而，开普勒正在运行的燃料低，研究人员不能确定它是否能够按计划完成20个活动。
这不是太阳系外行星的发现了路的尽头，但是。美国宇航局发射苔丝或太阳系外行星行运卫星调查4月18日，2018年TESS会更仔细更大，更亮星识别，编目更多系外行星，并了解他们的更多细节。TESS将覆盖比由开普勒覆盖更大的大致400倍的区域。
苔丝号已经在8月发回了它首次扫描的第一批图像，这些图像表明，这颗卫星在太空逗留的两年时间里将发回大量的数据。TESS将使用与开普勒望远镜相同的凌日光度法收集数据，并最终使用天基任务和地基望远镜观测来确认数据。这些后续研究将确定这些系外行星的性质、大气和组成。
面临的挑战是报考人数缩小到了跟进的最好的。开普勒数据提供了极好的材料，供研究人员MIT和谷歌开发和培训机器学习算法。这些机器视觉算法通过这些数据集进行快速搜索，并识别值得进一步研究的倾角。
在这项工作中，速度是最重要的，因为苔丝要在27到30天的时间里扫过每一个区域。在TESS进入下一个扇区之前，对这些候选扇区的快速识别将使科学家有机会更仔细地观察它们。在一个例麻省理工学院的科学家们通过研究光线曲线，从20647颗恒星中识别出了1000颗。从这些恒星中，研究人员能够识别出30颗“高质量”的候选系外行星，即可能存在生命的行星。这次搜寻花了几个星期，而不是通常的几个月。
人工智能和外星人
公交测光不只是寻找系外行星，但是。和...一起光谱学，它也可用于寻找外星人有用。
该费米悖论和德雷克方程科学家之间的争论仍在继续，但两者的基础都是不容置疑的:宇宙是浩瀚的。虽然没有直接的证据智慧生命在其他行星,恒星的数量与潜在的宜居行星很有可能表明,德雷克方程显示多达10000的生命形式仅在银河系,尽管也许不是人类所知的生命。
在研究人员NASA的前沿开发实验室（FDL）用于生成对抗性的网络，或甘斯，创造350万个基于开普勒从和欧洲航天局的盖亚望远镜信号的外星生命的可能的排列。与这些置换，科学家们的最有可能维持某种形式的生活条件，如本气体，温度，密度，和生物结构的类型的一个更好的想法，无论是碳基，如地球，或者上更多的东西异国情调。
氮化镓s是一组两个深度学习的机器，工作交相辉映创建基于给定的数据组新的数据。机器确定是否新的数据是可信的（相对于不可信）或实数（相对于假），这取决于进料至在开始时的机器的理想数据的形式。
简单地说，GAN中的两台机器就像争论的双方。一个人试图说服另一个人，渐渐地，他们达成了妥协。如果GANs有足够的时间来产生足够的迭代，从而使算法产生“真实的”结果，那么它可以“填补数据集的空白”，以呈现完整的图像。
例如，如果第一个机器产生一个简笔画作为一个人的代表，第二个机器将指出简笔画的缺陷。然后第一个机器产生另一个图像供进一步的评论。最后，图像应该是一个很好的近似人。
其中一个甘斯是Atmos的，仿真软件所创造谷歌云开发人员响应美国宇航局的FDL天体生物学挑战，模拟外星大气。该软件是开源的。
在玩别的神经网络是卷积神经网络，或CNN。在机器学习工具体现所谓的智能太阳系外行星大气层检索或伊娜在美国，它训练数百万系外行星的光谱特征。它能够为每个光谱特征分配值，并将它们区分开来。当INARA在图像中遇到光谱特征时，它可以在几秒钟内生成可能的化学成分和生命的概率。
穿戴式AI和即时机器人
大多数人接受的机器人太空探索的一个组成部分，但那些与他们密切工作将是第一个承认，机器人需要更加灵活。传统机器人的设计和建造是昂贵的，并且通常限于特定的功能。这可以在一个不可预知的环境时，一个问题，如空间。
一种解决方案是创建更多的东西通用的，可以在紧要关头起到几个作用。NASA发送了这一点，为开发人员提供了挑战，结果是软机器人。它是一种可穿戴的，可塑的“皮肤”与所谓的气动执行器和传感器OmniSkins。
开发的丽贝卡克莱默-Bottiglio和耶鲁大学的同事在与NASA合作伙伴关系，可穿戴技术是软，重量轻，可重复使用的纸件。当附连到可变形的对象，所述的皮肤可以使它移动，并且在捏充分执行不同的功能。克莱默-Bottolio表明，它在一份简短的2分钟视频。
科学家们还可以利用皮肤上的传感器来收集有关人体生命体征和空间物理需求的数据。这项技术的人工智能部分仍在开发中，但在未来，如果经过训练，它应该能够执行特定的动作，比如扭动身体纠正佩戴者的姿势。它还应该能够从历史数据中学习。
机器人技术和火星栖息地
第四颗行星是火星，它是地球最近的邻居，也是唯一不会立即杀死人类的行星。美国国家航空航天局对它的探索比任何其他外星物体都要广泛，主要是因为它是目前最有可能替代地球的天体。事实上，有两个非政府组织正在宣传将人类送上火星的想法，最早可能在2024年实现。这是埃隆·马斯克和他的计划SpaceX公司， 至少。另一项正在进行的举措是火星人，
美国宇航局已经表示悲观考虑到火星大气中二氧化碳的含量不足以产生温室气体，将火星改造成适合人类居住的星球的可行性。因此，它继续鼓励技术的发展，在火星上建立栖息地是令人惊讶的3D-印刷居挑战，也称为玛莎（火星栖息地）..
我们面临的挑战是目前处于第三阶段，这需要在三分之一量级利用3D打印机和建筑信息模型（BIM）软件栖息地的现场自主建设。四支球队迄今做了它对竞争的密封试验阶段，排名顺序为：搜索+ /蜜蜂肺心病;AI SpaceFactory;宾夕法尼亚州立大学;矿产和ICON的科罗拉多学院。在最后阶段的日程安排是4月29日和2019年5月4日之间。
下面是一段视频，展示了AI SpaceFactory的3D打印机建造一个圆柱形水塔的基础:
美国航空航天局提供的指导方针用于构建信息建模，但不指定特定软件。参与“玛莎挑战”的公司中，没有一家具体说明它用于自动化3D打印过程的机器学习类型。然而，这可能涉及到机器视觉算法。
使用3D打印机构建部件的一个大问题是缺陷由于在印刷过程中的异常，如不均匀的扩散或加热的材料制成。机器视觉算法可以监视过程并在异常发生时检测异常。这使得3D打印机不仅具有自主性，还具有自我纠错功能，即使不能消除缺陷，也能最小化缺陷。
可能就是这样AI SpaceFactory在其自主机器人技术中使用的机器视觉算法来构建能够保持的水1200加仑一个密封的圆柱形塔。该公司选择使用“火星聚合物”，它声称是当地人对火星环境。这可能需要机器学习软件，它可以调整到印刷过程中与不典型材料可能出现的意想不到的问题。
如果一切顺利的话，唯一的问题是在火星上发现液态水。
自主车和流浪者
研究人员对火星的许多关键知识来自于拍摄的图像和采集的样本自主车。前两个样品收集车在火星上成功地将分别勇气号和机遇流动站。
他们是由地面人员控制车辆，但20分钟左右的滞后通信可能导致错失机会，比如布洛克岛陨石的发现。机遇流动站几乎已经错过了它，滚动600英尺过去之前，有人注意到了这一点。
显而易见的答案是给流浪者一些自主权使用人工智能。然而，机遇号上的机载计算机在25MHz时的处理速度非常有限，远远低于今天的智能手机。这花了一些时间，但是NASA的喷气推进实验室能够开发并上传“宙斯盾”(用于收集更多科学数据的自主探索)软件到“机遇号”上，使它能够根据科学家设定的参数来识别、测量和拍摄岩石图像。
“宙斯盾”很简单，但却能工作，这就是为什么它对“好奇号”(2012年发射)来说足够好，并在“火星2020”(计划于2021年登陆)探测器中占有一席之地。然而，2020年火星探测器上的“宙斯盾”将只作为更复杂系统的一部分。
近晶岛在空间的观察与分析（绿洲）系统是由连续的活动调度规划执行和重新计划或控制的自主科学采集模块卡斯珀。这是一个调度组件，用于响应不断变化的条件，从而最大化有限的资源。
该系统严重依赖于机器视觉，因为摄像机一直在使用，所以它是收集数据最实用的方法。当相机拍摄岩石时，人工智能首先识别岩石并检查地平线和云层。
如果有什么事情看似寻常，系统自动将其标记进行进一步的检查。CASPER将确定的目标是值得利用的额外关注所需的资源。如果确定它是不是，罗孚将移动到下一个目标。
标题图片来源:Xornimo新闻
