Sebelum probe robot dapat mendarat di dunia asing yang jauh dari pengaruh manusia dan melakukan aksi luar angkasa ambisius lainnya, otak mereka harus naik level.

Bidang pembelajaran mendalam - yang memiliki komputer belajar untuk mengenali pola berdasarkan data pelatihan - terlalu berisiko untuk menggunakan banyak hal untuk pembuatan keputusan pesawat ruang angkasa. Tapi itu bisa berubah ketika misi tumbuh lebih rumit dan biaya peluncuran pesawat ruang angkasa kecil berkurang, kata Ossi Saarela, manajer segmen ruang di perusahaan perangkat lunak komputasi MathWorks.

"Untuk hal-hal seperti pendaratan di planet, asteroid [dan] komet, masalah besar pertama adalah mencapai itu - jumlah presisi yang Anda butuhkan untuk navigasi cukup spektakuler, ketika Anda memikirkannya, mengingat seberapa jauh objek-objek itu dan bagaimana kecil mereka bisa, "kata Saarela Space.com. "Satu tantangan lain, tentu saja, dengan asteroid dan komet dan planet pada khususnya, seringkali kita bahkan tidak benar-benar tahu seperti apa mereka sampai kita tiba di sana. Jadi, itu tantangan yang harus diselesaikan jika kita akan terbang di sekitar mereka dan khususnya jika kita akan mencoba pendaratan atau pengembalian sampel. " [Misi ke Mars: Sejarah Robot Planet Merah (Infografis)]

Saat ini, NASA Peluang rover di Mars tampaknya dalam mode hemat daya otonom, di mana ia memeriksa secara berkala apakah badai debu Mars besar yang sedang berlangsung telah cukup untuk membersihkan rover untuk mengisi ulang baterai menggunakan tenaga surya dan kemudian berkomunikasi dengan Bumi. Peluang, seperti kebanyakan penemu dan pesawat luar angkasa, dapat membuat keputusan sendiri dalam jangka pendek dengan mengikuti algoritme yang sangat spesifik, diprogram secara eksplisit dan diuji secara ketat di Bumi. Untuk memandu pesawat ruang angkasa melalui sesuatu yang rumit di muka, seperti mencari fitur tertentu, programmer harus mendeskripsikan fitur itu dengan tepat, dan variasi apa pun yang mungkin, agar binder dapat mengenali dalam perjalanannya.

Kebanyakan pesawat ruang angkasa dapat membuat keputusan otonom kecil sendiri - memperhatikan bahwa mereka membelok dengan menonton bintang-bintang, misalnya, dan menyesuaikan untuk kembali ke jalur - tetapi lintasan itu sendiri diunggah dari tanah. Demikian pula, pesawat ruang angkasa dapat mematikan bagian yang tidak berfungsi, tetapi pemecahan masalah dan rebooting diserahkan kepada ahli manusia yang jauh.

Tetapi para peneliti tidak dapat menjelaskan setiap kemungkinan ketika tiba di asteroid baru atau planet, seperti di atas, atau menyambungkan dengan pesawat ruang angkasa lain - situasi Saarela diibaratkan untuk mengajarkan sebuah pesawat ruang angkasa bagaimana melewati sebuah pintu.

"Kami, sebagai manusia, sangat pandai melihat sesuatu dan bisa mengetahui apa itu - dengan kata lain, untuk mengklasifikasikannya," kata Saarela. "Jika kita harus melewati pintu, kita tahu dari pengalaman bahwa itu adalah pintu dan cara berjalan melaluinya. Tetapi jika Anda mencoba untuk merumuskan masalah itu ke mesin dan menuliskannya dalam kode, itu benar-benar menjadi sangat, sangat masalah rumit: Anda harus menjelaskan dalam kode apa arti sebuah pintu, jadi Anda mungkin memecahnya menjadi sesuatu seperti tepi dan bukaan dan hal-hal seperti itu, dan itu menjadi jauh lebih rumit daripada yang Anda bayangkan. "

Menggunakan proses belajar yang mendalam, bagaimanapun, komputer dapat belajar bagaimana mengenali fitur sendiri dari data pelatihan. Misalnya, para peneliti mungkin menunjukkan banyak gambar pada komputer, beberapa berisi kucing, sehingga dapat mengidentifikasi ketika gambar memiliki kucing di dalamnya. Proses ini digunakan untuk visi komputer dan pengenalan suara, dan dalam astronomi, ini telah digunakan untuk menentukan exoplanet dan mencari bukti dari gelombang gravitasi, serta untuk menganalisis lensa gravitasi yang mendistorsi langit. Tetapi pemrogram manusia tidak dapat mengintip dan melihat fitur apa yang digunakan komputer dalam analisis mereka - memimpin, misalnya, ke algoritme pengenalan citra yang mengidentifikasi domba hanya jika ada juga bidang hijau.

"Ketika Anda menerapkan pembelajaran mendalam, Anda tidak benar-benar mengendalikan serangkaian fitur yang ditarik oleh algoritma, dan fitur-fitur itu mungkin bukan fitur yang sama yang akan ditarik oleh manusia dari algoritma," kata Saarela. "Sulit untuk memahami perilaku, dan karena sulit untuk memahami perilaku, ada keraguan untuk menggunakannya."

Ini bukan ketidakpastian yang diinginkan orang ketika meluncurkan pesawat antariksa bernilai jutaan dolar pada misi inovatif. [Robot Pergeseran Bentuk di Titan dan Ide Teknologi NASA Liar Lainnya]

"Biasanya, ketika algoritma pesawat ruang angkasa dirancang, mereka melalui proses verifikasi / validasi yang sangat ketat yang sangat deterministik," kata Saarela. "Insinyur di lapangan digunakan untuk memiliki tingkat kepercayaan yang tinggi dalam memprediksi output dari algoritme mereka dengan masukan spesifik, dan meskipun algoritma pembelajaran mesin menghasilkan output yang sama jika Anda memberi mereka masukan yang sama persis, jika masukan tersebut mengubah sedikit, lalu hasilnya menjadi lebih bervariasi atau lebih tidak terduga daripada industri apa yang digunakan. "

Menemukan cara untuk menguji cukup banyak situasi untuk percaya diri dalam keputusan jaringan merupakan salah satu tantangan utama, dan menemukan cukup tinggi-kualitas