Blog

Jul 03, 2023

¿Quieres encontrar ovnis? Ese es un trabajo para el aprendizaje automático

En 2017, la humanidad vislumbró por primera vez un objeto interestelar (ISO), conocido como 1I/'Oumuamua, que pasó zumbando por nuestro planeta al salir del Sistema Solar. Abundan las especulaciones sobre lo que este objeto

En 2017, la humanidad vislumbró por primera vez un objeto interestelar (ISO), conocido como 1I/'Oumuamua, que pasó zumbando por nuestro planeta al salir del Sistema Solar. Abundan las especulaciones sobre qué podría ser este objeto porque, según los datos limitados recopilados, estaba claro que no se parecía a nada que los astrónomos hubieran visto jamás. Una sugerencia controvertida fue que podría haber sido una sonda extraterrestre (o un trozo de una nave espacial abandonada) pasando por nuestro sistema. La fascinación del público por la posibilidad de “visitantes extraterrestres” también se vio reforzada en 2021 con la publicación del Informe OVNI de la ODNI.

Esta medida efectivamente convirtió el estudio de los fenómenos aéreos no identificados (UAP) en una actividad científica en lugar de un asunto clandestino supervisado por agencias gubernamentales. Con un ojo puesto en el cielo y el otro en los objetos orbitales, los científicos proponen cómo se pueden utilizar los avances recientes en informática, inteligencia artificial e instrumentación para ayudar en la detección de posibles "visitantes". Esto incluye un estudio reciente realizado por un equipo de la Universidad de Strathclyde que propone cómo las imágenes hiperespectrales combinadas con el aprendizaje automático podrían conducir a una canalización de datos avanzada para caracterizar la UAP.

El equipo estaba dirigido por Massimiliano Vasile, profesor de ingeniería mecánica y aeroespacial, y estaba compuesto por investigadores de las escuelas de Ingeniería Mecánica y Aeroespacial e Ingeniería Electrónica y Eléctrica de la Universidad de Strathclyde y el Centro Fraunhofer de Fotónica Aplicada de Glasgow. Una preimpresión de su artículo, titulada “Identificación y clasificación de objetos espaciales a partir del análisis de materiales hiperespectrales”, apareció recientemente en línea y está siendo revisada para su publicación en Nature Scientific Reports.

Eliminar todos los anuncios en Universe hoy

¡Únete a nuestro Patreon por tan solo $3!

Obtén la experiencia sin publicidad de por vida

Este estudio es el último de una serie que aborda las aplicaciones de imágenes hiperespectrales para actividades en el espacio. El primer artículo, “Caracterización inteligente de objetos espaciales con imágenes hiperespectrales”, apareció en Acta Astronautica en febrero de 2023 y fue parte del proyecto Hyperspectral Imager for Space Surveillance and Tracking (HyperSST). Este fue uno de los trece conceptos de mitigación de desechos seleccionados por la Agencia Espacial del Reino Unido (UKSA) para su financiación el año pasado y es el precursor del proyecto de Clasificación de desechos espaciales hiperespectrales (HyperClass) de la ESA.

Su último artículo exploró cómo se podría utilizar esta misma técnica de imágenes en el creciente campo de la identificación de UAP. Este proceso consiste en recopilar y procesar datos de todo el espectro electromagnético a partir de píxeles individuales, normalmente para identificar diferentes objetos o materiales capturados en las imágenes. Como Vasile explicó a Universe Today por correo electrónico, las imágenes hiperespectrales combinadas con el aprendizaje automático tienen el potencial de limitar la búsqueda de posibles firmas tecnológicas al eliminar los falsos positivos causados ​​por objetos de desechos fabricados por humanos (etapas gastadas, satélites desaparecidos, etc.):

“Si los UAP son objetos espaciales, entonces lo que podemos hacer analizando los espectros es comprender la composición del material incluso a partir de un solo píxel. También podemos comprender 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 requisitos ópticos mínimos”.

Vasile y sus colegas proponen la creación de un canal de procesamiento de datos para procesar imágenes de UAP 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 el oleoducto, incluidos satélites y otros objetos en órbita. Esto incluye objetos de escombros, 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, distribución de materiales y 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 creados por humanos en el espacio para 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 implicó un enfoque doble para asociar un espectro a un conjunto de materiales que lo generan, uno basado en el aprendizaje automático y otro basado 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).

Luego utilizaron un sistema de clasificación basado en aprendizaje automático para asociar la probabilidad de detectar una combinación de materiales con una clase particular. Una vez completado el oleoducto, dijo Vasile, el siguiente paso fue realizar una serie de pruebas que proporcionaron datos alentadores:

“Hicimos tres pruebas: una en un laboratorio con una maqueta de un satélite hecha de 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. Finalmente utilizamos un telescopio y observamos varios satélites y la estación espacial. En este caso, algunas pruebas fueron buenas y otras peores porque nuestra base de datos de materiales es actualmente bastante pequeña”.

En su próximo artículo, Vasile y sus colegas presentarán la parte de reconstrucción de actitudes de su proyecto, que esperan presentar en el próximo Foro y Exposición de Ciencia y Tecnología de la AIAA (2024 SciTech) del 8 al 12 de enero en Orlando, Florida.

Lectura adicional: arXiv