9 月 2 日，NASA 官網消息顯示，南加州航空航天局噴氣推進實驗室的研究人員已經使用機器學習開發實驗計算機模型，有望提高檢測快速增強事件的準確性。這項研究可以幫助預測颶風在 24 小時內的嚴重程度，給沿途的人們更多的準備時間。

　　預測颶風強度的機器學習輔助工具

　　（颶風勞拉在登陸路易斯安那州前不久，經歷了一個快速強化的過程，風速在 24 小時內躍升至 35 英里/小時或更高圖片來源：NASA 官網）

　　颶風預報分為兩部分：軌跡和強度。經過篩選多年的衛星數據，研究人員選定幾個因素：降雨率、冰水含量和留出溫度預測值，將這些添加到美國國家颶風中心正在運行的模型中，通過機器學習得出自己的預測。NASA 表示，機器學習能夠更好地分析復雜的內部動力學，并確定哪些因素可能導致颶風強度突然上升。

　　這個機器學習模型是使用 IBM Watson Studio 的算法實現的。研究團隊通過 1998 年至 2008 年的暴風雨數據訓練模型，使用 2009 年至 2014 年的暴風雨數據測試模型，并將測試結果與美國國家颶風中心的預測模型比較，對于“在 24 小時內風速至少增加了 35 mph（56 kph）的颶風”的預測，準確率提高 60%。

　　NASA 的 AI 嘗試

　　在 2019 年 6 月 26 日華盛頓特區舉行的 AI 世界政府會議上，NASA 數據科學家兼開放創新計劃經理Brian Thomas 談到，NASA 正在利用 AI / ML 做四類工作：航空，作戰，人力資本和 IT 支持。

　　Thomas 說，NASA 最不想看到是機翼或模型在風洞中被炸毀，但他們現在無法使用傳統模型和技術做建模，了解真實世界（太空）的復雜結構。人們認為，在航空領域，NASA 可以通過 AI / ML 造出更好的飛船和設備。

　　作戰方面，Thomas 表示，NASA 可以用 AI / ML 技術來協助天線定位，從而最大程度接觸衛星。人力資源方面，NSAS 計劃通過文本分析，分析職位描述，然后將其分類，把需要做的事情與員工應該在的位置做預測。IT 支持方便包括用 AI / ML 幫助理解網絡入侵，已經如何避免入侵。

　　下面是 NASA 一些具體的 AI 應用、助手與嘗試案例。

• 使用 AI 助手查找太空中的電磁爆發

　　9 月 1 日的一篇論文，介紹了 AI 助手幫助 NASA 科學家的算法 MMS。新罕布爾什大學的空間物理學家，該論文主要作者 Matthew Argall 表示，MMS 實施的第一個機器學習任務就是 NASA 的。MMS 執行的任務是：檢測航天器何時可以從地球磁場穿越到太陽磁場，反之亦然。

　　在沒有 AI 助手介入的情況下，需要人工在 24 小時內檢索 84 個小時中有價值的數據，然后選擇最合適的穿梭瞬間。過去是 73 名訓練有素的志愿者輪流值班，確保將最好的數據傳輸到地面。這被認為給研究人員在繁忙的工作日程中，增添了志愿服務的壓力。

　　因此，用 AI 短發模仿人類如何讀取數據，根據經驗識別磁絕經。難點在于，大多數神經網絡都是在孤立的快照中處理數據，而科學家的觀察和預測是動態隨時間展開的。所以研究團隊通過存儲網絡，看到過去的數據，并添加將來數據數據，提供當前決策北京，接近科學家的能力，“當網絡決定是否要穿越磁層頂時，可以訪問周圍的數據點提供幫助。”

　　目前，新算法與人類判斷約有 70% 的重合。

• CIMON：空間站第一批智能助手

　　2018 年 7 月，NASA 發布消息，CIMON 將成為第一批在空間站使用的智能助手，主要任務是處理常規任務。

　　CIMON 是可在空間站中使用的頭形 AI 機器人，有空中客車公司和 IBM 在德國航空航天中心的資助下開發的“基于 AI 的宇航員助手”，也被 NASA 送入太空。

　　（圖片來源：DLR 德國航空航天中心）

• 尋找生命之源的設想與 FDL

　　2019 年 11 月的一則消息顯示，NASA 科學家試圖與硅谷的科技公司合作，將 AI 算法應用于太空科學。

　　NASA戈達德太空飛行中心的天體生物學家 Giada Arney 希望，機器學習可以幫她和同事在望遠鏡和天文臺收集的一大堆數據中找到生命之源，“由于我們將從未來的觀察中獲得的數據稀疏且嘈雜，真的很難理解，因此，使用這些工具可以極大幫助我們。”

　　為了幫助更多類似 Arney 的科學家達成目標， NASA 的Frontier Development Lab每年夏天會召開為期 8 周的夏季計劃，集合科學領域研究人員與數據科學家做研究。

　　今年的研究內容就包括：太陽物理學；行星科學；地球科學，如預測未來干旱圖像；災害管理，如雷電與極端天氣預測、繪制洪水淹沒底圖；天體物理學，如尋找不尋常恒星和行星系統；宇航員健康，建立因果推斷方法試驗臺。

• 用 AI 找恒星

　　2017 年，FDL 參與者開發的機器學習程序可以快速創建附近小行星的 3D 模型，從而準確估算其形狀，大小和旋轉速度，這些信息對探測并偏轉對地球有威脅的小行星至關重要。

　　2017 年 12 月，NASA 稱開普勒太空望遠鏡有了新發現。最新發現是研究人員使用 Google 的機器學習技術完成的，即使用 AI 發現了第八顆圍繞地球旋轉的恒星。

　　前面提到的今年 FDL 夏季計劃中有關于尋找不尋常恒星和行星系統的挑戰：

最近 NASA 的太空望遠鏡任務發現了恒星亮度隨時間變化的奇特恒星，同時每個新發現的太陽系都對我們對太陽系演化的理解提出挑戰，但搜索空間巨大，機器學習可以提供幫助嗎？

• 基于 Python 的太空探索課程

　　近日，NASA 還和微軟合作，創建了三個基于 Python 制作的學習模塊，可以教初學者使用 Python 和機器學習算法探索太空，對太空巖石做分類，以及預測天氣和火箭發射延遲。

　　綜上，可以看到，NASA 的許多 AI 探索，都是為了幫助天文科學家或數據科學家處理復雜的太空數據。就像 Thomas 說的，“機器學習，我們創建的每個解決方案都是定制的，這在監督學習中很特別，這一切都與數據有關。”

總結

以上是生活随笔為你收集整理的用机器学习预测飓风强度，盘盘NASA的AI宇宙的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。