機械学習によって異星人の船を見付ける

2017年、人類はオウムアムアとして知られる恒星間天体（ISO）を初めて目撃した。この天体が何なのか、様々な憶測が飛び交った。収集された限られたデータによると、天文学者が見たこともないような天体であることは明らかだったからだ。物議を醸したのは、太陽系を通過する地球外探査機（あるいは廃宇宙船の一部）ではないかというものだった。2021年、ODNIがUFOレポートを発表したことで、「宇宙からの訪問者」の可能性に対する人々の関心も高まった。

この動きによって、未確認航空現象（UAP）の研究は、政府機関によって監督される秘密の問題ではなく、事実上、科学的な追求となった。一方は空を、もう一方は軌道上の物体に目を向け、科学者たちは、コンピュータ、AI、計測機器の最近の進歩を、可能性のある “訪問者”の検出を支援するためにどのように利用できるかを提案している。これには、ハイパースペクトル・イメージングと機械学習を組み合わせることで、高度なデータ・パイプラインをどのように作成できるかを検証したストラスクライド大学のチームによる最近の研究が含まれる。

このチームは、機械・航空宇宙工学のMassimiliano Vasile教授が率い、ストラスクライド大学の機械・航空宇宙工学部と電子・電気工学部の研究者と、グラスゴーにあるフラウンホーファー応用フォトニクスセンターの研究者で構成されている。「Space Object Identification and Classification from Hyperspectral Material Analysis（ハイパースペクトル物質分析による宇宙物体の識別と分類）」と題された彼らの論文のプレプリントは、最近オンラインに掲載され、『Nature Scientific Reports』誌への掲載に向けて審査中である。

この研究は、宇宙での活動に対するハイパースペクトルイメージングの応用を取り上げたシリーズの最新版である。最初の論文 “Intelligent characterization of space objects with hyperspectral imaging“は、2023年2月に『Acta Astronautica』誌に掲載されたもので、HyperSST（Hyperspectral Imager for Space Surveillance and Tracking）プロジェクトの一部である。これは昨年、英国宇宙庁（UKSA）が資金提供のために選んだ13のデブリ軽減コンセプトの1つで、ESAのハイパースペクトル宇宙デブリ分類（HyperClass）プロジェクトの先駆けである。

彼らの最新の論文は、この同じイメージング技術が、成長中のUAP識別の分野でどのように使用できるかを探求したものである。このプロセスは、通常、画像に写った異なる物体や物質を識別するために、単一のピクセルから電磁スペクトル全体のデータを収集・処理することからなる。Vasile氏が電子メールでUniverse Todayに説明したように、機械学習と組み合わせたハイパースペクトル画像は、人為的なデブリ物体（使用済みステージ、廃衛星など）による誤検出を排除することで、可能性のあるテクノシグネチャーの探索を絞り込む可能性がある：

UAPが宇宙物体であるならば、スペクトルを分析することでできることは、1ピクセルからでも物質組成を理解することです。また、スペクトルの時間変化を分析することで、姿勢運動も理解できます。どちらも非常に重要なことで、最小限の光学的要件で、スペクトルの特徴から物体を識別し、その動きを理解することができるのです。

Vasileたちは、機械学習アルゴリズムを使用してUAP画像を処理するためのデータ処理パイプラインの作成を提案している。最初のステップとして、彼らは、人工衛星や軌道上の他の物体を含む宇宙物体の時系列スペクトルのデータセットがパイプラインに必要であることを説明した。これにはデブリ物体も含まれ、NASAのオービタル・デブリ・プログラム・オフィス（ODPO）、ESAのスペース・デブリ・オフィス、その他の国や国際機関のデータを取り入れることを意味する。このデータセットは多様でなければならず、軌道シナリオ、軌道、照明条件、すべての軌道天体の形状、物質分布、姿勢運動に関する正確なデータを常に含んでいなければならない。

要するに、科学者は誤検出を排除するために、宇宙空間にあるすべての人工物体の強固な比較用データベースを必要とするのだ。このようなデータの多くは入手不可能であるため、Vasileと彼のチームは数値物理シミュレーションソフトを作成し、機械学習モデルのトレーニングデータを作成した。次のステップでは、スペクトルを生成する物質群に関連付けるために、機械学習に基づくアプローチと、データ群に最もフィットする直線を決定するために使用される、より伝統的な数学的回帰分析（別名、最小二乗法）に基づくアプローチの2つを行った。

そして、機械学習ベースの分類システムを使って、物質の組み合わせが特定のクラスで検出される確率を関連づけた。パイプラインが完成し、次のステップは一連のテストを実施することだった：

1つは既知の材料で作られた衛星のモックアップを使った実験室でのテストです。ひとつは、既知の材料で作られた衛星のモックアップを使った実験室でのテストです。次に、軌道上の物体の実際の観測をシミュレートするために、忠実度の高いシミュレーターを作成しました。テストは良好で、多くのことを学んだ。最後に私たちは望遠鏡を使い、多くの人工衛星と宇宙ステーションを観測した。この場合、いくつかのテストは良好で、いくつかはあまり良くありませんでした。

次の論文では、Vasileと彼の同僚は、フロリダ州オーランドで1月8日から12日まで開催されるAIAA科学技術フォーラムと博覧会（2024 SciTech）で発表したいと考えている彼らのパイプラインの姿勢再構成部分を発表する予定である。

この記事は、MATT WILLIAMS氏によって執筆され、Universe Todayに掲載されたものを、クリエイティブ・コモンズ・ライセンス（表示4.0 国際）に則り、翻訳・転載したものです。元記事はこちらからお読み頂けます。