Σύμφωνα με την τεχνητή νοημοσύνη, η ταινία Armageddon δεν απείχε πολύ μακριά - kavalarissa.eu

Header Ads

Breaking News
recent

Σύμφωνα με την τεχνητή νοημοσύνη, η ταινία Armageddon δεν απείχε πολύ μακριά


Εάν είστε άνω των 28 ετών, οι πιθανότητες είναι ότι έχετε δει την ταινία καταστροφής του κόσμου, Armageddon του 1998. Στο κινηματογραφικό αριστούργημα του Michael Bay, οι συνηθισμένοι Joes που παίζουν οι Bruce Willis, Ben Affleck  και η εταιρία στέλνονται στο διάστημα με αποστολή να δημιουργήσουν και να πυροδοτήσουν ένα πυρηνικό όπλο σε έναν γιγάντιο αστεροειδή που βρίσκεται σε καλό δρόμο για να καταστρέψει τον πλανήτη.

Είκοσι χρόνια αργότερα, ένας προηγμένος αλγόριθμος τεχνητής νοημοσύνης αποφάσισε ότι ο αμφιλεγόμενος ηθοποιός για την επίλυση προβλημάτων με εκρήξεις είναι ο καλύτερος τρόπος αντιμετώπισης ενός εισερχόμενου ουράνιου αντικειμένου.

Προφανώς, δεν έχουμε ακόμη χρειαστεί να υπερασπιστούμε τη Γη από επιπτώσεις σε επίπεδο εξαφάνισης και οι εμπειρογνώμονες του Εργαστηρίου Jet Propulsion της NASA κρατούν προσεχτικές καρτέλες σε οποιαδήποτε μεγάλα αντικείμενα που θα μπορούσαν να έρθουν σε εντυπωσιακή απόσταση στο μέλλον. Σύμφωνα με τις εκθέσεις τους , τίποτα δεν απειλεί τη Γη μέσα στα επόμενα μερικά εκατοντάδες χρόνια.

Ωστόσο, επειδή τα πονταρίσματα είναι αρκετά υψηλά, ίσως είναι ωραίο να είμαστε προετοιμασμένοι.



μέσω GIPHY

Για το σκοπό αυτό, μια ομάδα αστροφυσικών με επικεφαλής την Erika R. Nesvold ανέπτυξε και εκπαίδευσε ένα πρόγραμμα υπολογιστή για να αναλύσει τις τρέχουσες επιλογές για την εξουδετέρωση ενός αστεροειδούς ή ενός κομήτη . Ο γοητευτικά ονομαζόμενος "Deflector Selector" εξέτασε 6 εκατομμύρια υποθετικά σενάρια αντικειμένου που πλησιάζει στη Γη. Σε κάθε περίπτωση, το πρόγραμμα συνέκρινε πόσο αποτελεσματικά θα μπορούσε να αλλάξει η τροχιά του αντικειμένου χρησιμοποιώντας μία από τις τρεις επιλογές: 1) ένα βλήμα που ονομάζεται κινητικό κρουστικό εκκρεμές που καταρρέει στο αντικείμενο, 2) ένα μεγάλο σκάφος που ονομάζεται ελκυστήρας βαρύτητας που πλησιάζει αρκετά το αντικείμενο να διαταράξει το μονοπάτι του, και 3) ένα πυρηνικό όπλο για να το φυσήξει σε κομμάτια.

Σύμφωνα με τον New Scientist , η εκπαίδευση προσομοίωσης χρειάστηκε 40 ώρες σε ένα σύμπλεγμα 100 υπολογιστών. Αυτή η διαδικασία και τα αποτελέσματα του αλγορίθμου περιγράφονται λεπτομερώς σε ένα άρθρο της Γης και της Πλανητικής Αστροφυσικής .

Οι αλγόριθμοι μηχανικής μάθησης διαφέρουν από τον παραδοσιακό ΑΙ, επειδή μπορούν να λύσουν προβλήματα ή να ολοκληρώσουν εργασίες χωρίς ανθρώπινη είσοδο, αφού εκπαιδεύονται σε δείγματα συνόλων δεδομένων. Ο τρόπος με τον οποίο το πρόγραμμα διδάσκει τον εαυτό του αντικατοπτρίζει απόλυτα τον τρόπο με τον οποίο ο εγκέφαλός μας κάνει το ίδιο έργο - πολύ, πολύ πιο γρήγορα.

Ο πρόσφατα εκπαιδευμένος επιλογέας εκτροπής εξέτασε τότε τρία είδη εισερχόμενων αντικειμένων: αστεροειδείς κοντά στη γη, κομήτες και συστάδες συντριμμιών. Κατέληξε ότι τα πυρηνικά όπλα θα μπορούσαν να αποτρέψουν επιτυχώς τον αντίκτυπο σε περίπου το 50% των καταστάσεων. Κινητικά κρουστικά και ελκυστήρες βαρύτητας, από την άλλη πλευρά, είναι λιγότερο πιθανό να λειτουργούν. Πόσο γρήγορα εκ των προτέρων εντοπίστηκαν τα αντικείμενα στους υπολογισμούς και τα σενάρια βασίστηκαν στην υπόθεση ότι ένας ισχυρός πυραύλος φορτίου όπως ο Boeing Delta 4 Heavy θα μπορούσε να φέρει τον υπερασπιστή της επιλογής στο διάστημα. (Τη στιγμή της έρευνας, το SpaceX Falcon Heavy δεν είχε δοκιμαστεί ακόμη).

Παρά τη χρησιμότητά τους, οι συγγραφείς τονίζουν ότι ο Selector Deflector δημιουργήθηκε για να βοηθήσει τους οργανισμούς να αποφασίσουν ποιες από τις μελλοντικές μεθόδους αξίζει να εξεταστούν περαιτέρω.

"Η ανάπτυξη κάθε προτεινόμενης τεχνολογίας είναι επί του παρόντος απαγορευτικά δαπανηρή, οπότε καθορίζοντας τώρα ποιες τεχνολογίες είναι πιο πιθανό να είναι αποτελεσματικές, θα μπορούσαμε να δώσουμε προτεραιότητα σε ένα υποσύνολο προτεινόμενων τεχνολογιών εκτροπής για χρηματοδότηση και ανάπτυξη", γράφουν.

"Δεν υποστηρίζουμε απολύτως την τοποθέτηση του αλγόριθμου για την υπεράσπιση των αστεροειδών", ανέφερε ο Nesvold στο New Scientist. [via]



Από το Blogger.