AI i rumforskning

AI i rumforskning er brug af maskinlæring, billedanalyse og autonome systemer til at sortere rumdata, styre instrumenter og støtte forskeres beslutninger. Teknologien finder mønstre i store datasæt, men resultaterne kræver stadig domæneviden, kalibrering og menneskelig kontrol før videnskabelige konklusioner.

Hvad betyder AI i rumforskning?

AI i rumforskning dækker ikke én bestemt modeltype. Begrebet bruges om metoder, der kan lære mønstre fra data, genkende objekter i billeder, planlægge handlinger eller prioritere målinger under begrænsede ressourcer. I praksis spænder det fra klassisk maskinlæring til neurale netværk, computer vision, autonome planlægningssystemer og mere forsigtige beslutningsstøtter til forskere.

Rumforskning er et særligt krævende anvendelsesområde, fordi data ofte er store, dyre at indsamle og svære at fortolke. Satellitter kan producere flere billeder, end der kan sendes hurtigt ned til Jorden. Teleskoper registrerer svage signaler, hvor støj, instrumentfejl og naturlige variationer kan ligne videnskabelige fund. Rovers på Mars skal handle med stor forsinkelse i kommunikationen med Jorden.

Derfor handler AI i rummet sjældent om at erstatte forskeren. Den mest praktiske rolle er at gøre søgningen smallere, hurtigere og mere systematisk. En model kan sortere tusindvis af billeder, udpege usædvanlige signaler eller foreslå en sikker rute, mens den endelige fortolkning stadig kræver viden om astronomi, geologi, fysik og instrumenternes begrænsninger.

Hvorfor er rumdata velegnet til maskinlæring?

Rumdata har tre egenskaber, som gør dem velegnede til AI: mængde, gentagelse og mønstre. En satellit kan måle de samme områder igen og igen. Et teleskop kan registrere lyskurver fra mange stjerner. En rover kan tage billeder af terræn, sten og instrumentmål fra mange vinkler. Når data har en fast struktur, kan modeller trænes til at finde gentagelser, afvigelser og sandsynlige sammenhænge.

Det betyder ikke, at rumdata er lette. Data fra rummet er ofte påvirket af skiftende lys, støj, stråling, sensorfejl, atmosfæriske forhold, skydække eller manglende labels. En model, der fungerer på velordnede træningsdata, kan give svagere resultater på en ny planetoverflade, et nyt kamera eller en anden type himmelobjekt.

En nyttig skelnen er forskellen mellem almindelig mønstergenkendelse og fysisk forståelse. En model kan finde en statistisk lighed, men den ved ikke i sig selv, om ligheden skyldes en planet, et skydække, støj i sensoren eller en sjælden geologisk formation. Derfor skal AI i rumforskning kobles til måleteknik, kalibrering og faglige kontroltrin.

Hvis du vil forstå den tekniske forskel mellem brede læringsmetoder og dybere neurale modeller, er AI Mentors forklaring af machine learning vs. deep learning et nærliggende begrebsligt grundlag.

Hvordan hjælper AI med at finde mønstre i astronomiske data?

Astronomi er et af de tydeligste eksempler på, at AI kan øge forskeres rækkevidde. Moderne teleskoper og rumteleskoper producerer store arkiver af målinger, hvor nogle af de mest interessante signaler er svage, sjældne eller gemt i data, som allerede er blevet gennemgået med klassiske metoder. AI kan bruges til at prioritere, hvilke signaler der bør undersøges nærmere.

Et kendt eksempel er NASA’s Kepler-data. I 2017 beskrev NASA og JPL, hvordan maskinlæring fra Google blev brugt til at finde Kepler-90i, en planet i et system, der allerede havde flere kendte planeter. Modellen blev trænet på tidligere vurderede Kepler-signaler og blev derefter brugt til at finde svage transitmønstre, hvor en planet kortvarigt dæmper lyset fra sin stjerne.

Den slags brug gør ikke AI til en selvstændig opdagelsesmaskine. Den fungerer som et avanceret filter. Før et signal bliver til et videnskabeligt resultat, skal forskere kontrollere, om det kan skyldes andre fænomener, instrumentstøj eller fejlagtige antagelser. Modellen kan udvide listen over kandidater, men den erstatter ikke validering, usikkerhedsberegning og fagfællebedømmelse.

Samme grundlogik findes i andre dele af rumforskningen: AI kan lede efter mønstre i spektra, klassificere galakser, finde usædvanlige objekter eller hjælpe med at skelne mellem kendte signaltyper. Her ligger værdien i at reducere menneskets søgeområde uden at skjule, at resultatet stadig er en sandsynlighed, ikke et endeligt svar.

Hvordan bruges AI på satellitter og instrumenter i kredsløb?

AI bruges ikke kun efter, at data er sendt hjem. En vigtig udvikling er AI tættere på instrumentet, enten på satellitten selv eller i de systemer, der modtager og prioriterer data. Det kaldes ofte edge AI eller onboard processing, fordi beregningen sker tæt på datakilden i stedet for kun i et datacenter på Jorden.

ESA’s PhiSat-1 viser en konkret begrundelse. Satellitten skulle demonstrere, hvordan AI kunne filtrere jordobservationsbilleder med skydække, så mindre brugbare billeder ikke behøvede at blive sendt ned i samme omfang. Når båndbredde, strøm og tid er begrænsede ressourcer, kan selv en enkel filtreringsopgave ændre, hvor hurtigt forskere får adgang til brugbare observationer.

PhiSat-2 blev beskrevet af ESA som en videre retning: en lille satellitplatform, der kan køre AI-apps om bord. ESA nævnte blandt andet skydetektion, omdannelse af satellitbilleder til kort, klassifikation af maritime fartøjer, skovmonitorering og anomalidetektion. Pointen er ikke, at alle rumfartøjer nu kan forstå deres data selv. Pointen er, at noget databehandling kan flyttes tættere på sensoren.

Computer vision er central i denne del af rumforskningen, fordi mange rumdata er billeder eller billedlignende målinger. AI Mentors gennemgang af AI-billedgenkendelse forklarer det grundlæggende princip: en model lærer visuelle mønstre fra eksempler, men kvaliteten afhænger af data, labels og de forhold, billederne tages under.

Hvad ændrer autonomi for rovere og rumfartøjer?

Autonomi i rumforskning handler om at give et fartøj mulighed for at løse afgrænsede opgaver uden øjeblikkelig menneskelig styring. Det er nødvendigt, fordi afstand gør realtidskontrol vanskelig eller umulig. På Mars kan signaler være så forsinkede, at en rover ikke kan styres som en fjernstyret bil. Den skal modtage planer, tolke terræn og reagere sikkert på lokale forhold.

I januar 2026 beskrev NASA/JPL, at Perseverance havde gennemført de første køreture på en anden verden, hvor ruten var planlagt af kunstig intelligens. Demonstrationen blev udført 8. og 10. december 2025. Systemet brugte generativ AI til at udarbejde waypoints ud fra billed- og terrændata, mens JPL validerede kommandoerne i en digital tvilling, før de blev sendt til Mars.

Det viser en vigtig afgrænsning. AI’en fik ikke fri kontrol over missionens videnskabelige mål. Den hjalp med en bestemt planlægningsopgave under teknisk kontrol. For missioner langt fra Jorden kan det stadig være en stor gevinst, fordi færre manuelle rutevalg kan frigøre tid til videnskabelige observationer og mindske ventetid mellem plan og handling.

NASA/JPL beskrev også Mars Global Localization i februar 2026. Her kunne Perseverance matche panoramabilleder fra roverens navigationskameraer med orbitale terrankort for selv at bestemme sin position. Det er ikke generativ AI i samme betydning som ruteplanlægningen, men det er et eksempel på, hvordan billedmatch, kortdata og autonome kontroltrin kan gøre en rover mindre afhængig af daglig positionsbekræftelse fra Jorden.

Hvilke typer opgaver kan AI støtte i missioner?

AI i rumforskning bliver mest nyttig, når opgaven kan beskrives præcist, data kan kontrolleres, og konsekvensen af en fejl kan håndteres. En model, der sorterer billeder efter skydække, har en anden risikoprofil end et system, der foreslår en roverrute tæt på farligt terræn. Derfor bør man skelne mellem beslutningsstøtte, filtrering og aktiv autonomi.

Tabellen viser også, hvorfor AI ikke bør beskrives som én samlet evne. Nogle systemer klassificerer. Andre planlægger. Andre igen leder efter afvigelser. Hvis du vurderer et konkret projekt, er spørgsmålet derfor ikke kun, om AI virker, men hvilken beslutning modellen påvirker, og hvad der sker ved fejl.

Hvordan adskiller AI i rumforskning sig fra almindelig automatisering?

Rumfart har brugt automatisering i årtier. Et rumfartøj kan følge en kommando, holde orienteringen, justere temperatur eller udføre en sekvens uden at kalde det AI. Forskellen opstår, når systemet ikke kun følger faste regler, men udleder mønstre fra data, vurderer alternativer eller tilpasser sin prioritering efter observationer.

En regelbaseret sekvens kan sige: tag et billede, send data, vent på næste kommando. Et AI-støttet system kan i stedet vurdere, om billedet er dækket af skyer, om et terræn ser farligt ud, eller om et signal ligner en tidligere kendt planetkandidat. Det gør systemet mere fleksibelt, men også sværere at teste fuldstændigt.

Den praktiske forskel er sporbarhed. Ved klassisk automatisering kan udviklere ofte forklare hvert trin som en fast regel. Ved maskinlæring kan modellen have lært mønstre i data, som er statistisk nyttige, men ikke altid lette at forklare. Derfor bliver testdata, modeldokumentation, usikkerhed og fail-safe-regler en del af den videnskabelige metode.

Rumforskning er et godt modstykke til hverdags-AI, fordi tolerancen for uigennemsigtige fejl er lavere. En fejl i billedsortering kan betyde tabt data. En fejl i navigation kan true instrumenter. En fejl i signalfortolkning kan sende forskere efter en falsk kandidat. Det presser teknologien mod mere konservativ brug end i mange kommercielle værktøjer.

Hvilke datakrav og fejltyper styrer kvaliteten?

Kvaliteten i AI-baseret rumforskning begynder med data. Modeller skal trænes og testes på eksempler, der ligner den virkelige mission. Hvis træningsdata kun dækker bestemte lysforhold, stjernetyper, sensorer eller terrænformer, kan modellen blive usikker uden at vise det tydeligt. Det kaldes ofte domæneskift: data i drift er ikke helt det samme som data i træning.

Fejl kan komme fra flere lag:

• Instrumentet kan måle forkert, være støjramt eller have ændret kalibrering.
• Træningsdata kan være for smalle, skæve eller mærket med upræcise labels.
• Modellen kan forveksle korrelation med en fysisk årsag.
• Resultatet kan blive overfortolket, hvis usikkerhed og alternative forklaringer ikke undersøges.

Derfor er data mining i rumforskning ikke kun en søgning efter interessante mønstre. Det er en kontrolleret proces, hvor datakvalitet, udvælgelse, måleteknik og faglig fortolkning skal hænge sammen. Et fund er først stærkt, når det også overlever kritiske kontrolspørgsmål.

Hvad betyder udviklingen for forskning og organisationer i Danmark?

For universiteter, virksomheder og offentlige miljøer i Danmark kan AI i rumforskning være relevant på tre måder. Den første er forskning: bedre værktøjer til at analysere satellitdata, astronomiske observationer, klimadata eller geospatiale målinger. Den anden er anvendelse: rumdata bruges i klima, landbrug, beredskab, transport, energi og miljøovervågning. Den tredje er kompetence: tværfaglige teams skal kunne forbinde AI, datahåndtering og domæneviden.

Den lokale relevans betyder ikke, at en dansk organisation uden videre kan kopiere NASA’s eller ESA’s missionssystemer. Rummissioner har særlige datatyper, sikkerhedskrav og testmiljøer. Men principperne kan overføres: start med et konkret dataproblem, dokumentér datakilder, test modellen mod kendte observationer, og bevar menneskelig kontrol ved beslutninger med høj risiko.

For projekter, der bruger jordobservationsdata, hænger emnet også sammen med kunstig intelligens i klimaforskning. AI kan gøre store satellitarkiver mere søgbare og hurtigere at analysere, men lokale beslutninger om klima, arealanvendelse eller miljø bør ikke hvile på modeloutput alene. Dataopløsning, geografisk dækning og forklarlighed skal vurderes konkret.

Hvilke begrænsninger skal du kende før brug?

Den vigtigste begrænsning er, at AI kan give et overbevisende forslag uden at have forstået den fysiske årsag. En model kan rangere et signal højt, fordi det ligner tidligere fund, men den ved ikke af sig selv, om signalet er instrumentstøj, en naturlig variation eller et sjældent objekt. Det samme gælder billeder: en klassifikation kan være statistisk sandsynlig og stadig være forkert i et nyt miljø.

En anden begrænsning er dokumentation. Forskere og missionsteams skal kunne se, hvilke data modellen er trænet på, hvilke fejltyper den har, og hvilke situationer den ikke er testet til. I rumforskning er det ikke nok, at modellen virker i gennemsnit. Den skal også opføre sig forudsigeligt, når data er ufuldstændige, støjfyldte eller uden for træningsområdet.

En tredje begrænsning er ansvar. Når AI bruges til at prioritere målinger, sortere data eller foreslå ruter, påvirker modellen, hvad forskere når at undersøge. Hvis den konsekvent frasorterer bestemte typer data, kan forskningen blive smallere uden at det opdages med det samme. Det gør audit, stikprøver og alternative metoder nødvendige.

• Brug AI til at prioritere data, men gem forklaringen på, hvorfor noget blev valgt eller fravalgt.
• Test modellen på data fra den konkrete sensor, mission eller region, ikke kun på generelle eksempler.
• Sammenlign med simple baselines, så forbedringen ikke kun skyldes et komplekst system med uklar gevinst.
• Indbyg menneskelig gennemgang ved fund, sikkerhedskritiske handlinger og beslutninger med stor konsekvens.

Hvordan kan en ansvarlig arbejdsproces se ud?

En ansvarlig arbejdsproces begynder med at definere, hvilken beslutning AI må påvirke. Hvis opgaven er at filtrere overskyede billeder, er risikoen en anden end ved autonom navigation. Hvis opgaven er at finde exoplanetkandidater, skal resultatet behandles som en kandidat, indtil det er valideret mod alternative forklaringer.

Dernæst bør datagrundlaget beskrives præcist. Hvilke missioner, instrumenter, tidsperioder og måleforhold indgår? Hvilke eksempler er mærket af mennesker, og hvor sikre er de labels? Hvilke data er holdt tilbage til uafhængig test? Disse spørgsmål er ikke administrative detaljer. De afgør, om modellen faktisk kan bruges uden for sin træningssituation.

Til sidst skal resultatet ind i en faglig arbejdsgang. Forskere skal kunne gense udvalgte observationer, rette fejlklassifikationer og sammenholde modeloutput med klassiske metoder. AI Mentors artikel om AI til forbedring af forskningsmetoder beskriver samme hovedprincip: AI giver mest værdi, når den styrker metoden frem for at skjule den.

Hvad er de næste skridt for AI i rumforskning?

De næste skridt ligger især i tre retninger. Først bliver rumdata mere omfattende, fordi flere satellitter, teleskoper og sensorer producerer højopløselige observationer. Det øger behovet for modeller, der kan sortere, søge og prioritere uden at fjerne videnskabelig kontrol. For det andet flytter mere analyse tættere på instrumentet, så rumfartøjer kan bruge båndbredde og energi mere målrettet.

For det tredje bliver autonomi mere praktisk. NASA’s demonstrationer med Perseverance viser, at AI kan indgå i konkrete operationer, når opgaven er tydeligt afgrænset og kontrolleret gennem simulering og missionstekniske sikkerhedslag. Udviklingen peger mod rovere og andre systemer, der kan køre længere, vælge bedre målepunkter og udnytte korte kommunikationsvinduer mere effektivt.

Det mest realistiske billede er derfor ikke en fuldt selvstændig rumforsker i maskinform. Det er en mere datastærk forskningsproces, hvor AI hjælper med at finde de rette kandidater, frasortere mindre brugbare data, foreslå handlinger og gøre sjældne signaler lettere at opdage. Den videnskabelige værdi opstår først, når disse forslag kan kontrolleres, forklares og indgå i en åben metode.

Hvilke kilder ligger til grund?

Kildesektionen bygger især på NASA/JPL’s beskrivelser af Perseverances AI-planlagte kørsel på Mars, Mars Global Localization og Kepler-90i-fundet med maskinlæring, ESA’s materiale om PhiSat-1 og AI i jordobservation samt et forskningsreview om AI i jordobservation.