美国宇航局训练机器学习算法进行火星样本分析

• 当由欧洲航天局（ESA）领导的罗莎琳德·富兰克林在2028年前往火星时，NASA的机器学习算法在经过十多年的实验室数据训练后首次获得了大放异彩的机会。
• 火星有机分子分析仪（MOMA）是火星车上的一台质谱仪，它将分析提取芯钻收集的样本，将结果发回地球，然后输入算法以识别样本中的有机化合物。
• 如果火星车探测到任何有机化合物，该算法可以极大地加速识别它们的过程，从而节省科学家的时间，让他们决定如何在火星上最有效地利用火星车。

当机器人蹲在另一个世界时，由于任务持续时间短以及完成复杂实验的时间长，科学家们只有有限的时间从大量可探索的材料中收集数据。

这就是为什么位于马里兰州格林贝尔特的美国宇航局戈达德太空飞行中心的研究人员正在研究利用机器学习来帮助快速分析火星车样本的数据，并帮助地球上的科学家制定最有效利用火星车的方法行星上停留时间的策略。

美国宇航局戈达德行星环境实验室的质谱科学家李翔“肖恩”说：“这种机器学习算法可以帮助我们快速过滤数据，并指出哪些数据可能是最有趣或最重要的，值得我们去学学学研究。”

该算法将首先利用来自火星的数据进行测试，通过在地球上的计算机上运行的火星分子有机分析仪（MOMA）仪器收集的数据。

该分析仪是欧洲航天局（ESA）领导的即将进行的ExoMars任务罗莎琳德·富兰克林的主要科学仪器。该仪器计划首先于2028年发射，旨在确定这颗红色星球上的生命是否曾存在。

罗莎琳德·富兰克林收集样本并通过 MOMA 进行分析后，数据将被发回地球，科学家将根据分析结果来决定下一步最佳行动方案。

“例如，如果我们测量的样本显示出特定矿物的复杂有机成分，我们可能希望该样本进行更多分析，甚至建议火星车使用其取芯钻头收集另一个样本，”李说。

算法或有助于识别火星表面下的化学成分

在人工智能中，机器学习是计算机从数据（大量数据）中学习识别模式并做出决策或结论的一种方式。

当人类研究人员在查看相同数据时可能无法明显看出其中的模式时，这种自动化过程就会变得非常强，这对于涉及意义和光谱分析的大型复杂数据集来说很常见。

就 MOMA 而言，研究人员已经收集实验室数据十多年了，NASA 戈达德数据科学家、机器学习算法开发负责人维多利亚·达·波伊安 (Victoria Da Poian) 表示。科学家通过向算法输入可能在火星上发现的物质样本并包含它们是来训练算法的。然后，算法将使用 MOMA 数据作为输入，并根据结果输出训练研究样本化学成分的预测。

“我们正在努力优化数据分析，科学家希望有信息和时间去阅读数据，”达波安说。“这样，我们就可以对结果做出快速反应，并规划下一步行动，就像我们和火星车一样一起在那里一样，比以前快了。”

MOMA采用激光解吸法来识别样本，同时保留可能被气相色谱法重组的新增分子。

深入挖掘过去生命的分层

罗莎琳德·富兰克林号火星车的独特地点所在，它能够深入火星表面约6.6英尺（2米）深处，科学家们希望这能带来新的发现。之前的火星车只能深入火星表面约2.8英寸（7厘米）。

“火星表面的有机物质更容易受到地表辐射和火星地下的宇宙射线中的影响而被破坏，”李说，“但两米的深度足以保护大多数有机物质。因此，MOMA有可能探测到保存下来的古代有机物质，这将是寻找过去生命的重要一步。”

未来对太阳系的探索可能会更加自主

在地球以外的星球上寻找过去或现在的生命完全是NASA和大多数科学界的一项重大工作。Li和Da Poian认为他们的算法有潜力成为未来探索海水的目标资产，例如土星的卫星土卫六和土卫二，以及木星的卫星木卫二。

李和达珀安的长期目标是实现更强大的“科学自主”，即质谱仪将分析自己的数据，甚至帮助提高自主提高操作决策，从而大幅提高科学和任务效率。

这一点至关重要，因为太空探索任务的目标是更遥远的行星。科学自主性将有助于优先考虑数据收集和通信，实现最终比目前此类远程任务能够实现的更多的科学成果。

“长期的梦想是高度实现自主的任务，”Da Poian 说道。“目前，MOMA 的机器学习算法是一种帮助地球上的科学家更轻松地研究这些关键数据的工具。”

MOMA项目由德国马克斯·普朗克太阳系研究所（MPS）牵头，首席研究员为弗雷德·戈斯曼博士。NASA戈达德开发并建造了MOMA质谱仪子系统，用于测量收集到的火星样本中化学化合物的基础。

机器学习算法的开发由美国宇航局戈达德内部研究与开发计划资助。