IBM vai evitar colisão de lixo espacial com código aberto

Os chamados objetos espaciais feitos pelo homem (ASOs) viajam a velocidades de até 8.000 m/s; o que significa que uma colisão envolvendo até mesmo um pequeno fragmento e um satélite ou veículo tripulado pode ser devastadora. Assim, a IBM vai criar modelos de código aberto para evitar colisão de lixo espacial.

É extremamente importante para as agências espaciais e empresas espaciais privadas serem capazes de antecipar as trajetórias de objetos feitos pelo homem muito antes do lançamento e planejar de acordo. Infelizmente, isso não é muito fácil de fazer e, à medida que a quantidade de lixo espacial aumenta, fica cada vez mais difícil.

IBM vai evitar colisão de lixo espacial com código aberto

A IBM e o Dr. Moriba Jah, da Universidade do Texas, criaram o projeto Space Situational Awareness (SSA), um empreendimento de código aberto para determinar onde os ASOs estão e onde estarão no futuro.

Os métodos atuais de previsão de órbita dependem de modelos baseados na física que, por sua vez, requerem informações extremamente precisas sobre os objetos. O problema é que os dados de localização disponíveis sobre ASOs vêm de sensores terrestres e tendem a ser imperfeitos. Fatores como o clima espacial complicam ainda mais.

Em suma, a ideia por trás do SSA é que o machine learning pode criar modelos que aprendem quando os modelos físicos predizem incorretamente a localização futura de um objeto.

Os modelos físicos, de acordo com essa estratégia, são muito bons quando se trata de dinâmica orbital; mas para maximizar a eficácia eles precisam aprender como e quando erram e levar em consideração essa variabilidade.

Os dados usados para o projeto vêm do Comando Estratégico dos Estados Unidos por meio do site space-track.org. A equipe usou o IBM Cloud Bare Metal Server com 16 processadores Intel Xeon, 120 GB de RAM e duas GPUs Nvidia Tesla V100 (cada uma com 16 GB de RAM) para executar os modelos físicos para prever as órbitas de todos os ASOs em órbita terrestre baixa e treinar modelos de machine learning para aprender o erro do modelo físico. Como resultado, a equipe foi capaz de prever as órbitas futuras dos ASOs.

Fonte: ZDNET