В эти выходные в культурном пространстве «ДЕПО» сообщество молодых ученых Science Slam вместе с «Техпросвет» отметили с москвичами и гостями столицы День космонавтики. Для тех, у кого не получилось посетить «битву умов» публикуем интересные факты из выступления старшего преподавателя кафедры машинного обучения и анализа данных, ведущего программиста Центра разработки ПО Фин. университета, Алевтины Шаталовой.
В настоящее время мы наблюдаем изменение научной парадигмы, где само понятие мат. модели, как основного научного инструмента описания реальности изменяется. И эти модели стали проще в построении из-а использования компьютеров.
Существует несколько причин, по которым математическое моделирование стало проще в настоящее время:
Развитие компьютерных технологий: с развитием технологий появились мощные компьютеры и программные средства, которые позволяют проводить сложные математические расчеты в кратчайшие сроки.
Легкость доступа к информации: с появлением интернета и развитием цифровых технологий информация стала более доступной для всех. Сейчас можно быстро найти данные и исследования, которые необходимы для построения математических моделей.
Развитие методов и техник: с появлением новых методов и техник математического моделирования можно получить более точные и надежные результаты с меньшими затратами времени и ресурсов.
Увеличение спроса на математические модели: в современном мире все больше областей требуют прогнозирования и оптимизации процессов. Математические модели стали неотъемлемой частью многих отраслей, поэтому специалисты в этой области весьма востребованы.
В целом, современные технологии и методы делают математическое моделирование более доступным, удобным и эффективным, что позволяет заниматься им сейчас с большим успехом.
Аллен Б. Дауни – профессор информатики в колледже имени Франклина В. Олина в своей книге «Изучение сложных систем с помощью Python» приводит пример того, как раньше создавались модели.
Сегодня широко применяется другой тип объяснений. Статья нобелевского лауреата Томаса Шеллинга «Динамические модели сегрегации» используя науку о сложных системах предлагает использовать компьютерное имитационное моделирование.
Данный подход используется потому, что системы стали сложнее и накопилось множество данных для программного исследования.
Как наиболее перспективный способ моделирования реальности, можно использовать модели машинного обучения.
Машинное обучение (Machine Learning) — это область искусственного интеллекта, которая изучает методы построения моделей, способных обучаться и делать прогнозы на основе имеющихся данных. Эти модели позволяют компьютерам «учиться» на основе опыта, без явного программирования.
Основные методы машинного обучения включают в себя обучение с учителем (supervised learning), обучение без учителя (unsupervised learning) и обучение с подкреплением (reinforcement learning). Машинное обучение широко применяется в различных областях, таких как медицина, финансы, биология, робототехника, обработка изображений и текста, и многие другие.
Примеры задач, которые можно решить с помощью машинного обучения, включают классификацию, регрессию, кластеризацию, обнаружение аномалий, генерацию контента и многое другое. Все эти методы и алгоритмы являются незаменимыми для создания интеллектуальных систем, способных автоматически адаптироваться к новым данным и ситуациям.
ML-алгоритмы начали использовать в космической индустрии для работы с данными еще в 1990-х. В обсерватории Паломар, например, c 1994 года встроена ИИ-система SKICAT для классификации объектов по изображениям с низким разрешением. Телескоп Хаббл оснащен алгоритмом искусственного интеллекта c 1993 года.
Сейчас машинное обучение используют в разных сферах: от подготовки космонавтов и ракетостроения до открытия новых законов в астрофизике. Китай, США, Россия и Япония признали развитие ИИ стратегическим условием в своих космических программах на ближайшие годы.
В 2015 году компания Илона Маска SpaceX построила ракету, способную возвращаться на Землю. Проектом руководил выпускник MIT Ларс Блэкмор, который обновил алгоритмы машинного обучения для посадки ракет, разработанные в Стэнфорде. А в мае 2019 года CEO Amazon Джефф Безос объявил, что его проект Blue Origin разработал новый лунный модуль.
В мае 2020 года космическое агентство Великобритании выделило миллион фунтов стерлингов на развитие алгоритмов машинного обучения для утилизации космического мусора. Похожие программы есть в США, России и Китае.
В 2017 году Frontier Development Lab (FDL) от NASA с командой студентов из Франции, Южной Африки, США и специалистами из Nvidia, разработала алгоритм, который может создать 3D-модель астероида за четыре дня. Сегодня этот метод используют в обсерватории Аресибо в Пуэрто-Рико для моделирования формы астероидов в реальном времени. Этот же алгоритм NASA применяет для визуализации данных о космическом мусоре. Каждые 15 секунд агентство собирает около 2 Гб данных с космических кораблей, чтобы определить угрозу столкновений.
CIMON — это робот-помощник, разработанный командой Airbus для Германского центра авиации. Саймон, названный в честь робота из аниме «Капитан Будущее», выглядит как летающий экран. Он может принимать голосовые команды, разговаривать и свободно перемещаться. Также он снимает видео, делает фото, сканирует состояние систем корабля и эмоциональное состояние команды. Сейчас Саймона тестирует космонавт Александр Герст на МКС, куда робота доставил Dragon от SpaceX.
На МКС также есть японский орбитальный робот Int-ball KIBO и интеллектуальная космическая система NASA Astrobee.
Весной 2020 года NASA обнаружили 50 новых экзопланет во время обучения нейросети на старых данных. Их девять лет собирал аппарат Kepler, запущенный еще в 2009 году.
Нейросети позволяют сократить число космических миссий и ограничиться наблюдениями с Земли.
В Университете Торонто использовали сверточную нейросеть (подобный алгоритм применяется в компьютерном зрении и беспилотных автомобилях), которая помогает в создании четких изображений поверхности Луны для определения оптимального места посадки. Эта нейросеть в 2018 году обнаружила 6 000 лунных кратеров. А Геологическая служба США при помощи нейросети составила детальную карту Луны. Сейчас похожие алгоритмы работают с изображением поверхности Марса. В начале октября 2020 на нем также нашли новые кратеры.
Ученые Центра вычислительной астрофизики Института Флэтайрон в Нью-Йорке пошли еще дальше. Они смоделировали Вселенную с помощью DL-алгоритмов. Проект Deep Density Displacement Model (D3M) может создать модель Вселенной, в которой изменены базовые законы. Например, нет гравитации.
Машинное обучение для космоса сейчас помогает:
Фото предоставлены «Технопросвет»
Комментарии: |