面向可居住世界望远镜的生成式 AI 整体任务有效性
天体物理仪器与方法
2024-10-29 v2
摘要
本文介绍了若干用例，阐述如何利用生成式人工智能（Gen AI）提高哈贝特世界望远镜（HWO）的系统工程和认知知识管理水平，这些用例源于为期数个月的工作会议和演示，属于NASA哈贝特世界望远镜科学与技术架构评审团队（START）AI/机器学习工作组成的集合成果。我们的团队使命声明是：“当 Gen AI 系统变得更加强大和自主时，人类在环（human-in-the-loop）究竟落在哪里？”我们强调伦理应用，致力于通过这些系统消除人的琐碎工作，同时增加人类体验更广泛的集体创造力和创新能力。HWO任务将从生成模型中获益颇丰，这些模型适用于不同数据类型，包括文本、时间序列/光谱和图像数据。这些数据类型涵盖了HWO在科学与工程领域的广泛应用，包括：任务开发加速、数据分析与解释、提升成像能力、异常检测、预测建模与仿真、机器学习的数据增强、仪器校准与优化、公众参与与教育，以及辅助任务规划。以气体行星 population science 数据集为例，通过灵敏度分析，我们可以逆向工程测量不确定性要求，以满足HWO仪器产生的数据能够约束 population 模型，从而决定HWO的设计要求。这一HWO设计方法是确保HWO保持AI准备就绪状态的策略示例之一。通过呈现兼具愿景与经验证用例的组合，我们旨在支持制定长期策略，确保HWO在推进进程中的AI准备就绪。
引用
@article{arxiv.2410.16609,
title = {Generative AI for Overall Mission Effectiveness at the Habitable Worlds Observatory},
author = {Megan Shabram and Ryan McClelland and John Wu and Hamsa Shwetha Venkataram and Heidi Segars and Bruce Dean and Christine Ye and Aquib Moin and Megan Ansdell and Mark Moussa and Umaa Rebbapragada and Hamed Valizadegan and Dominick Perini and Glenn Ko and Victoria Da Poian and Sam Gharib-Nezhad and Giuseppe Cataldo},
journal= {arXiv preprint arXiv:2410.16609},
year = {2024}
}
备注
Lack of guidelines for submitting work that came out of the HWO START TAG working groups.