Maschinelles Lernen für planetare in-situ Spektroskopiedaten

In der Nachwuchsgruppe Maschinelles Lernen für planetare in-situ Spektroskopiedaten erforschen wir innovative Strategien zur Analyse von spektroskopischen Daten mithilfe von Algorithmen aus dem Bereich des maschinellen Lernens (ML). Als Teil der Abteilung In-Situ Sensing liegt unser Fokus dabei auf spektroskopischen Daten, die mit den Analysemethoden laserinduzierte Plasmaspektroskopie (LIBS von engl. Laser-Induced Breakdown Spectroscopy) und Raman-Spektroskopie gemessen werden. Wir analysieren sowohl Daten, die im Labor oder mit mobilen Instrumenten im Feld gemessen werden, als auch Daten, die von echten Instrumenten zur in-situ Planetenerkundung aufgenommen werden. Dazu gehört etwa das LIBS-Instrument ChemCam, das auf dem NASA-Rover Curiosity geochemische Daten der Marsoberfläche sammelt.