[논문 리뷰] Beyond Low Earth Orbit: Biological Research, Artificial Intelligence, and Self-Driving Labs

Lauren Sanders, Jason H. Yang외 54명|arXiv (Cornell University)|2021. 12. 22.

Spaceflight effects on biology참고 문헌 129인용 수 4

한 줄 요약

이 논문은 저궤도 이외의 태양계 태행성 탐사에서 인간의 개입이 제한된 조건에서도 자율적이고 지능적이며 확장 가능한 실험을 가능하게 하기 위해 인공지능(AI)과 자율주행 실험실 기술을 우주 생물학 연구에 통합할 것을 제안한다. AI를 활용해 예측 모델링, 데이터 관리 및 실험 제어를 수행함으로써, 본 프레임워크는 우주 비행이 생물에 미치는 영향을 깊이 이해하고, 지능적이고 적응형이며 재현 가능한 생물학적 시스템을 통해 지속 가능한 다행 星 생활을 지원하고자 한다.

ABSTRACT

Space biology research aims to understand fundamental effects of spaceflight on organisms, develop foundational knowledge to support deep space exploration, and ultimately bioengineer spacecraft and habitats to stabilize the ecosystem of plants, crops, microbes, animals, and humans for sustained multi-planetary life. To advance these aims, the field leverages experiments, platforms, data, and model organisms from both spaceborne and ground-analog studies. As research is extended beyond low Earth orbit, experiments and platforms must be maximally autonomous, light, agile, and intelligent to expedite knowledge discovery. Here we present a summary of recommendations from a workshop organized by the National Aeronautics and Space Administration on artificial intelligence, machine learning, and modeling applications which offer key solutions toward these space biology challenges. In the next decade, the synthesis of artificial intelligence into the field of space biology will deepen the biological understanding of spaceflight effects, facilitate predictive modeling and analytics, support maximally autonomous and reproducible experiments, and efficiently manage spaceborne data and metadata, all with the goal to enable life to thrive in deep space.

연구 동기 및 목표

• 깊은 우주 임무에서 현재의 생물학 연구 플랫폼의 한계를 해결하기 위해 자율적이고 지능적이며 확장 가능한 실험을 가능하게 하기 위해.
• 장기간에 걸친 원격 우주 임무에서 인간이 개입하는 실험 방식의 제약을 극복하기 위해 AI 기반의 자율적이고 자급자족 가능한 연구 시스템을 개발하기 위해.
• 우주 기반 데이터와 메타데이터에 기계학습을 적용함으로써 우주 생물학의 데이터 관리 및 지식 탐색을 향상시키기 위해.
• AI 최적화 생물공학을 통해 인간, 식물, 미생물, 동물의 생명을 닫힘 순환 환경에서 지속 가능하게 유지하는 장기 목표를 지원하기 위해.
• 다학제적 워크숍과 공감대 도출을 통해 AI, 기계학습, 모델링을 우주 생물학에 통합하기 위한 도전 과제와 방향성 제시를 위해.

제안 방법

• 우주 생물학, AI, 시스템 공학 분야의 전문가 325명이 참석한 나사 주관 워크숍을 통해 핵심 과제와 기회를 식별하기 위해.
• 우주 환경에서 실시간 의사결정, 실험 설계, 적응형 제어를 가능하게 하는 AI를 통합한 자율주행 실험실 프레임워크를 개발하기 위해.
• 우주 비행 및 유사 조건 연구에서 수집한 복잡한 다오미크스 및 생리학적 데이터를 분석하기 위해 기계학습 모델을 적용하여 생물학적 반응을 예측하기 위해.
• 실험 수행, 모니터링, 최적화를 위해 AI를 통합함으로써 질량, 전력 소비, 승무원의 시간을 최소화하는 자율 플랫폼을 설계하기 위해.
• 실험의 추적 가능성, 재현성, 확장성을 보장하기 위해 상호운용 가능한 데이터 표준 및 메타데이터 프레임워크를 구축하기 위해.
• 예측 모델링과 디지털 트윈 기술을 통합하여, 실제 비행 이전에 시뮬레이션을 통해 생명 유지 시스템과 생물학적 과정을 최적화하기 위해.

실험 결과

연구 질문

• RQ1 인간의 감시가 제한된 깊은 우주 임무에서 AI와 기계학습은 어떻게 생물학적 발견을 가속화할 수 있는가?
• RQ2 저궤도 이외의 영역에서 완전히 자율적이고 자율주행식 생물 실험실을 운영하기 위해 필요한 기술적 및 운영적 프레임워크는 무엇인가?
• RQ3 AI는 자원 제약 조건에서 공간 생물학 실험에 대한 재현성, 효율성, 확장성을 어떻게 향상시킬 수 있는가?
• RQ4 예측 모델링과 디지털 트윈은 다행성 주거지의 생명 유지 시스템을 시뮬레이션하고 최적화하는 데 어떤 역할을 할 수 있는가?
• RQ5 AI 기반 데이터 파이프라인은 공간에서 수집된 이질적이고 고차원적인 생물학적 데이터를 어떻게 관리하고 통찰을 도출할 수 있는가?

주요 결과

• AI를 우주 생물학에 통합함으로써 우주 비행에 의한 생물학적 반응을 예측하는 모델링이 가능해져, 시행착오에 대한 의존도가 크게 감소한다.
• AI로 구동되는 자율주행 실험실은 실시간으로 실험을 설계하고 실행하며 적응할 수 있어, 지상 개입과 승무원의 시간 소모를 최소화할 수 있다.
• AI 기반 데이터 관리 시스템은 다양한 플랫폼과 임무 간에 우주 기반 생물학적 데이터의 추적 가능성, 재현성, 상호운용성을 향상시킨다.
• 우주 및 유사 조건 연구에서 수집한 다오미크스 및 생리학적 데이터에 적용된 기계학습 모델은 무중력과 방사선 노출의 새로운 생물학적 지표를 규명한다.
• 제안된 프레임워크는 인간과 비인간 생물체를 깊은 우주 주거지에서 지속 가능하게 유지할 수 있는 닫힘 순환 생물공학 생명 유지 시스템 개발을 지원한다.
• 325명의 기여 전문가들이 참여한 공감대를 바탕으로, AI 도입을 위한 공통의 로드맵이 확립되었으며, 자율성, 확장성, 다학제적 협업을 강조하고 있다.