¿Quieres encontrar ovnis? Es un trabajo para el aprendizaje automático
21 de Agosto de 2023
Por Matt Williams, Universe Today
El video de la cabina muestra un encuentro aéreo anómalo en 2015. Crédito: U.S. Navy Video
En 2017, la humanidad tuvo su primer vistazo de un objeto interestelar (ISO), conocido como 1I/»Oumuamua, que zumbó nuestro planeta en su camino fuera del sistema solar. Abundaron las especulaciones sobre lo que podría ser este objeto porque, basándose en los limitados datos recogidos, estaba claro que no se parecía a nada que los astrónomos hubieran visto nunca. Una sugerencia controvertida fue que podría haber sido una sonda extraterrestre (o una pieza de una nave espacial abandonada) de paso por nuestro sistema.
La fascinación pública por la posibilidad de “visitantes extraterrestres” también se vio reforzada en 2021 con la publicación del UFO Report por parte del ODNI.
Esta medida convirtió el estudio de los fenómenos aéreos no identificados (FANI) en una actividad científica y no en un asunto clandestino supervisado por agencias gubernamentales. Con un ojo puesto en los cielos y el otro en los objetos orbitales, los científicos proponen cómo pueden utilizarse los recientes avances en informática, IA e instrumentación para ayudar en la detección de posibles “visitantes”. Esto incluye un estudio reciente de un equipo de la Universidad de Strathclyde que examina cómo las imágenes hiperspectrales emparejadas con el aprendizaje automático pueden crear una canalización avanzada de datos.
El equipo estaba dirigido por Massimiliano Vasile, catedrático de Ingeniería Mecánica y Aeroespacial, e integrado por investigadores de las facultades de Ingeniería Mecánica y Aeroespacial y de Ingeniería Electrónica y Eléctrica de la Universidad de Strathclyde y del Centro Fraunhofer de Fotónica Aplicada de Glasgow.
El preprint de su trabajo, titulado “Space Object Identification and Classification from Hyperspectral Material Analysis” (Identificación y clasificación de objetos espaciales a partir del análisis hiperespectral de materiales), está disponible en línea a través del servidor de preprints arXiv y está siendo revisado para su publicación en Scientific Reports.
Este estudio es el último de una serie que aborda las aplicaciones de las imágenes hiperespectrales para actividades en el espacio. El primer paper, “Intelligent characterization of space objects with hyperspectral imaging”, apareció en Acta Astronautica en febrero de 2023 y formaba parte del proyecto Hyperspectral Imager for Space Surveillance and Tracking (HyperSST). Este fue uno de los 13 conceptos de reducción de desechos seleccionados por la Agencia Espacial Británica (UKSA) para su financiación el año pasado y es el precursor del proyecto de clasificación hiperespectral de desechos espaciales (HyperClass) de la ESA.
Su último trabajo explora cómo podría utilizarse esta misma técnica de imagen en el creciente campo de la identificación de FANI. Este proceso consiste en recoger y procesar datos de todo el espectro electromagnético a partir de píxeles individuales, normalmente para identificar diferentes objetos o materiales captados en imágenes. Según explicó Vasile a Universe Today por correo electrónico, las imágenes hiperespectrales combinadas con el aprendizaje automático tienen el potencial de acotar la búsqueda de posibles tecnofirmas eliminando los falsos positivos causados por objetos de desecho fabricados por el hombre (etapas gastadas, satélites fuera de servicio, etc.):
“Si los FANI son objetos espaciales, lo que podemos hacer analizando los espectros es comprender la composición del material incluso a partir de un solo píxel. También podemos entender el movimiento de actitud analizando la variación temporal de los espectros. Ambas cosas son muy importantes porque podemos identificar objetos por su firma espectral y comprender su movimiento con unos requisitos ópticos mínimos”.
Crédito: Vasile, M. et al. (2023)
Vasile y sus colegas proponen la creación de una tubería de procesamiento de datos para procesar imágenes FANI utilizando algoritmos de aprendizaje automático. Como primer paso, explicaron cómo se necesita un conjunto de datos de espectros de series temporales de objetos espaciales para la tubería, incluidos satélites y otros objetos en órbita. Esto incluye los objetos en órbita, lo que significa incorporar datos de la Oficina del Programa de Desechos Orbitales (ODPO) de la NASA, la Oficina de Desechos Espaciales de la ESA y otros organismos nacionales e internacionales. Este conjunto de datos debe ser diverso e incluir escenarios orbitales, trayectorias, condiciones de iluminación y datos precisos sobre la geometría, la distribución de materiales y el movimiento de actitud de todos los objetos en órbita en todo momento.
En resumen, los científicos necesitarían una base de datos sólida de todos los objetos fabricados por el hombre en el espacio para poder compararlos y eliminar los falsos positivos. Dado que muchos de estos datos no están disponibles, Vasile y su equipo crearon un software de simulación de física numérica para producir datos de entrenamiento para los modelos de aprendizaje automático. El siguiente paso consistió en un enfoque doble para asociar un espectro a un conjunto de materiales que lo generan, uno basado en el aprendizaje automático y otro en un análisis de regresión matemática más tradicional utilizado para determinar la línea de mejor ajuste para un conjunto de datos (también conocido como método de mínimos cuadrados).
A continuación, utilizaron un sistema de clasificación basado en el aprendizaje automático para asociar la probabilidad de detectar una combinación de materiales con una clase determinada. El siguiente paso fue realizar una serie de pruebas que arrojaron datos alentadores:
“Hicimos tres pruebas: una en un laboratorio con una maqueta de un satélite fabricada con materiales conocidos. Estas pruebas fueron muy positivas. Luego creamos un simulador de alta fidelidad para simular la observación real de objetos en órbita. Las pruebas fueron positivas y aprendimos mucho. Por último, utilizamos un telescopio y observamos varios satélites y la estación espacial. En este caso, algunas pruebas fueron buenas y otras menos buenas porque nuestra base de datos de material es actualmente bastante pequeña”.
En su próximo trabajo, Vasile y sus colegas presentarán la parte de reconstrucción de actitud de su pipeline, que esperan presentar en el próximo Foro y Exposición de Ciencia y Tecnología de la AIAA (2024 SciTech), que se celebrará del 8 al 12 de enero en Orlando (Florida).
Más información: Massimiliano Vasile et al, Space Object Identification and Classification from Hyperspectral Material Analysis, arXiv (2023). DOI: 10.48550/arxiv.2308.07481
Información de la revista: Scientific Reports, arXiv, Acta Astronautica
Proporcionado por Universe Today