Coelum Astronomia 251 - 2021 - Page 72

Però, anche se questo sistema si è rivelato estremamente potente, non è prescindibile la supervisione umana. «L'intelligenza artificiale non può compiere il tipo di analisi avanzata che uno scienziato esperto può fare», ha detto Kiri Wagstaff. «Ma strumenti come questo nuovo algoritmo possono essere dei validissimi assistenti. Questo apre la strada a un'entusiasmante simbiosi tra ricercatori umani e intelligenza artificiale che lavorano insieme per ridurre i tempi della scoperta scientifica».

Di fronte a questo successo ci si potrebbe chiedere se un sistema software del genere possa essere impiegato direttamente a bordo delle sonde di esplorazione. Oggi che sappiamo che questi strumenti sono estremamente efficienti per analizzare dati già acquisiti dalle missioni: la sfida sarà quella di rendere i futuri orbiter adatti a usare “in tempo reale” questi strumenti, come dotazione diretta dei software di bordo. Si tratta di un passaggio, però, che produce maggiori complessità dato che: «l'algoritmo deve essere molto efficiente per operare sui processori più limitati e sulla quantità di memoria tipicamente disponibili a bordo di una sonda». Sappiamo infatti che l’hardware di cui sono dotate le sonde è spesso limitato all’essenziale, per ridurre la complessità, i requisiti energetici e il peso dell’intero veicolo (ricordiamo a questo proposito la serie di articoli sull’ottimizzazione dei processi informatici a bordo delle sonde spaziali, pubblicato su Coelum Astronomia 234, 235 e 236). Una situazione quindi poco compatibile con le necessità di risorse computazionali tipiche dei moderni algoritmi di AI e Machine Learning. Anche in questo caso, è un problema di tipo tecnologico che, con il tempo, sarà sicuramente sorpassato.

Tuttavia, sfruttare al massimo le potenzialità delle reti neurali e avere degli obiettivi scientifici chiari potrebbe realmente portare a un nuovo livello il rapporto simbiotico tra scienziati e AI.

Sappiamo già che uno degli scopi degli algoritmi di AI sviluppati è legato alla valorizzazione della mole di dati raccolta durante le missioni, che in passato risultava difficile da analizzare con cura, anche in un secondo momento. Il principio è il medesimo dello studio che ha convalidato 50 esopianeti tramite l’uso del machine learning, che abbiamo ricordato poco sopra. Ma questo non è l’unico caso.

Meccanismi del genere sono utilizzati, sempre tra le dune e i paesaggi marziani, anche dai rover attuali e in arrivo sul Pianeta Rosso. Su questo punto la ricercatrice del JPL ci ha fatto una panoramica estremamente completa: «L'AI è già in uso sul Mars Science Laboratory (Curiosity) e sarà utilizzata da Mars 2020 (Perseverance). I rover scattano autonomamente un'immagine, identificano tutte le rocce presenti, calcolano le caratteristiche descrittive per ogni roccia (ad esempio, dimensioni, forma, luminosità) e poi scelgono la roccia con le caratteristiche che

72

COELUM ASTRONOMIA