Algoritmos de aprendizado de máquina ajudam cientistas a explorar Marte

Marte tem sido, há algum tempo, alvo de interesse da comunidade astronômica. Visando a exploração e o estudo do planeta, equipamentos como satélites, robôs, sonda e até um helicóptero são usados por cientistas para desvendar os mistérios do mundo vermelho. O mais antigo em funcionamento atualmente é o rover Curiosity, da Nasa, que vai completar 10 anos de operação em 2022 – e cujos dados estão sendo combinados com algoritmos de aprendizado de máquina para investigar com detalhes a superfície marciana.

Um novo artigo publicado no periódico científico Earth and Space Science se concentra nos dados coletados pelo Curiosity por meio do pacote de instrumentos da Chemistry and Camera (ChemCam).

Conforme explicam os cientistas, a ChemCam combina dois instrumentos: um espectrômetro de decomposição induzido por laser (LIBS) e um microimageador remoto (RMI) para imagens de alta resolução. 

O instrumento LIBS da ChemCam funciona explodindo amostras de rocha com pulsos de laser poderosos, o que leva o material a evoluir para um microplasma com átomos e íons animados que emitem luz característica enquanto em decomposição.

Como cada elemento emite um espectro de luz único à medida que se decompõem, a ChemCam pode coletar a luz em três espectrômetros diferentes, permitindo que os cientistas determinem a composição química de cada amostra.

Sete anos de dados foram classificados com uso de algoritmo de aprendizado de máquina

Desde que o rover Curiosity pousou na cratera Gale em 2012, a ChemCam coletou mais de 800 mil espectros individuais de mais de 2,5 mil amostras. No entanto, o uso de aprendizado de máquina para investigar os dados da ChemCam continua sendo desafiador devido à falta de conjuntos de dados de treinamento de Marte, de acordo com Kristin Rammelkamp, principal autora do estudo.

Em sua pesquisa, Rammelkamp e sua equipe usaram um algoritmo de aprendizado de máquina não supervisionado para classificar os dados da ChemCam dos primeiros 2.756 sóis (cerca de 7 anos) da exploração da cratera Gale pela Curiosity. 

Desde que o rover pousou, ele atravessou várias regiões geológicas distintas. O algoritmo classificou os dados da ChemCam em seis grupos diferentes de composições químicas, que incluem dióxido de silício alto e baixo, felsico (óxido de alumínio alto e álcalis), óxido de cálcio alto e baixo e óxido de ferro total elevado.

Leia mais:

• Modelos de aprendizado de máquina: 90% nem chegam a ser lançados
• Pesquisadores descobrem mais de 300 exoplanetas graças a nova ferramenta de machine learning
• Água “em quantidades significativas” é encontrada no solo de Marte

Segundo a equipe, as conclusões revelam transições entre as regiões geologicamente diferentes ao longo da travessia de Curiosity desde que deixou o local de pouso. Os resultados foram obtidos utilizando-se apenas dados LIBS, e nenhum dado de treinamento foi necessário.

Além disso, os seis grupos distintos servem como dados de treinamento para algoritmos supervisionados de aprendizagem de máquina, o que se mostrou exemplar com um chamado classificador florestal aleatório.

Algoritmos de aprendizado de máquina como este podem servir como uma ferramenta poderosa para mapear a superfície de Marte em grande escala, segundo os autores. 

Essa habilidade se tornará cada vez mais útil à medida que mais equipamentos explorarem o Planeta Vermelho, como o rover Perseverance, da Nasa, que pousou em fevereiro de 2021 (e já vem coletando seus próprios dados LIBS da cratera Jezero com o instrumento sucessor da ChemCam, a SuperCam), e o rover Zhurong, da China, que pousou em maio.

Já assistiu aos nossos novos vídeos no YouTube? Inscreva-se no nosso canal!