Wissenschaftler greifen auf maschinelles Lernen zurück, um bei der Analyse von Samples außerhalb unseres Planeten zu helfen. Xiang “Shawn” Li, ein Massenspektrometriespezialist im Labor für planetarische Umgebungen am NASA Goddard, erklärte: “Dieser Algorithmus des maschinellen Lernens kann uns helfen, Daten schnell zu filtern und uns darauf hinzuweisen, welche Daten wahrscheinlich am interessantesten oder wichtigsten sein werden, um sie zu untersuchen.” Diese neue Technologie wird zunächst auf Daten angewendet, die vom Mars Organic Molecule Analyzer (MOMA) gesammelt wurden, einem hochmodernen Instrument, das ein “Lab voller chemischer Ausrüstung in ein Toaster-großes Paket” packt.
MOMA wird zum Roten Planeten an Bord des Rosalind Franklin Rovers geschickt werden, im Rahmen der bevorstehenden ExoMars-Mission, die von der Europäischen Weltraumorganisation (ESA) geleitet wird. Der Rover, der voraussichtlich nicht vor 2028 starten wird, wird die Oberfläche des Mars untersuchen, um herauszufinden, ob dort jemals Leben existiert hat. MOMA wird organische Verbindungen suchen, die in gebohrten Proben gefunden werden können und möglicherweise aus lebender Materie stammen könnten.
Um diese Moleküle zu entdecken, enthält MOMA den anspruchsvollsten Massenspektrometer, der jemals über die Erde hinaus geschickt wurde. Massenspektrometer sind in Laboren auf der Erde weit verbreitet und bieten Wissenschaftlern eine grundlegende Möglichkeit, Moleküle anhand ihres molekularen Gewichts zu identifizieren. MOMA kann Proben vorbereiten, dampfförmige Materialien in einem Hochtemperaturofen verdampfen und flüchtige Moleküle durch einen Gaschromatographen leiten, der die chemischen Bestandteile der Mischung trennt und analysiert.
Wissenschaftler trainieren jetzt maschinelle Lernalgorithmen, um sie beim Sortieren der Daten zu unterstützen, die MOMA nach Hause schicken wird. Dies geschieht mithilfe von Labordaten, die im Laufe von mehr als einem Jahrzehnt gesammelt wurden. Die Datenwissenschaftlerin Victoria Da Poian, die die Entwicklung des maschinellen Lernalgorithmus leitet, erklärt: “Je mehr wir tun, um die Datenanalyse zu optimieren, desto mehr Informationen und Zeit haben Wissenschaftler, um die Daten zu interpretieren.” Die Wissenschaftler füttern den maschinellen Lernalgorithmus mit Beispielen von Proben, die MOMA auf dem Mars finden könnte, damit der Algorithmus sie in realen Proben alleine identifizieren kann.