DrivenData, в сътрудничество с HeroX, обявиха най-новото си състезание за краудсорсинг от името на НАСА: Спектрометрия на Марс, Откриване на доказателства за минала обитаемост. Предизвикателството, което предлага наградна чанта от $30,000 XNUMX, търси иновативни методи, които автоматично да помогнат за анализиране и интерпретиране на еволюиралите данни от газовия анализ и масспектрометрията, свързани с изследването на Марс. Тези данни са от геоложки проби от научен интерес за по-добро разбиране на потенциалните признаци на планетата за обитаемост в миналото.
Едно от най-важните открития на планетарната наука през последните години е, че Марс е имал условия на околната среда, които е можело да се живее в миналото. Разбирането как са се променили тези условия е важно за разбирането на условията на Марс за обитаемост с течение на времето. За тези запитвания няколко здрави и мощни ровера са изпратени на Марс, за да събират скални проби и да направят измервания, които могат да се използват за определяне на техния химически състав. Освен това хиляди проби са анализирани в лаборатории на Земята, за да помогнат на учените да разберат контекста на данните, събрани на Марс. Възползвайки се от многото подкрепящи експериментални тестове, извършени върху сравними скални проби, могат да бъдат разработени методи за наука за данни, за да подпомогнат учените в техния анализ и интерпретации на данни, събрани от инструменти за планетарни мисии и лабораторни инструменти. Тези постижения могат също да помогнат на учените по-бързо и ефективно да провеждат бъдещи мисии.
За това предизвикателство участниците имат задача да изградят иновативен метод за автоматично анализиране на данните от анализа на еволюиралия газ (EGA) на симулирани проби от Марс, събрани както от търговски, така и от лабораторни инструменти, аналогични на тези, използвани за изследване на Марс. Най-добрите методи трябва да могат да открият наличието на определени семейства химични съединения (посочени в предизвикателството) в пробите. Печелившите техники могат да бъдат използвани за подпомагане на бъдещи планетарни мисии като мисията ExoMars и мисията Dragonfly до Титан.
„Това подкрепя завладяващ изследователски въпрос, при който инструментите за машинно обучение могат да окажат реално въздействие върху това как можем да научим повече за нашето място във Вселената“, каза Грег Липщайн, директор на DrivenData. „Това е страхотен шанс да се впрегне колективната интелигентност и страстта на общността за данни, за да се подобри състоянието на отворената наука.“
„Вълнуващо е да се мисли, че може да има улики за минали обитаеми условия на Марс, които тези разследвания могат да помогнат за интерпретацията“, каза Кал К. Сахота, главен изпълнителен директор на HeroX. "Тези предизвикателства са толкова вдъхновяващи, докато търсим доказателства за извънземен живот."
Предизвикателството: Методите трябва да открият наличието на определени семейства химични съединения в данните, събрани от извършване на EGA-MS върху набор от проби от геоложки материали.
Наградата: Наградна чанта от $30 XNUMX ще бъде разделена между четири отбора.
Условия за участие и спечелване на награда(и): Наградата е отворена за всеки на възраст 18 или повече години, който участва като индивидуално или като отбор. Отделни състезатели и отбори могат да произхождат от всяка страна, стига федералните санкции на Съединените щати да не забраняват участието (прилагат се някои ограничения). Допълнителни изисквания или ограничения за допустимост могат да бъдат намерени в правилата за предизвикателство.
КАКВО ДА ОТНЕМЕ ОТ ТАЗИ СТАТИЯ:
- By taking advantage of the many supporting experimental runs done on comparable rock samples, data science methods can be developed in order to support scientists in their analysis and interpretations of data collected by planetary mission instruments and laboratory instruments.
- The best methods should be able to detect the presence of certain families of chemical compounds (specified in the challenge) in the samples.
- The methods should detect the presence of certain families of chemical compounds in data collected from performing EGA-MS on a set of geological material samples.
