Boffins déploie l'apprentissage automatique à la recherche d'ET intelligents

Republié par Platon

Suiveurs: 0

Les scientifiques ont développé une méthode d'apprentissage automatique qui, selon eux, pourrait aider à filtrer les interférences et à détecter plus efficacement les signaux radio inhabituels de l'espace, contribuant ainsi à la recherche continue d'intelligence extraterrestre.

Les programmes de recherche d'intelligence extraterrestre (SETI) utilisent des radiotélescopes depuis des décennies pour détecter des signaux artificiels non ambigus provenant du firmament. Cependant, cette recherche est compliquée par les interférences de la technologie humaine, qui peuvent générer de fausses identifications positives qui prennent du temps à filtrer à partir de grands ensembles de données.

Les recherches menées par Peter Ma, troisième année de premier cycle en physique et mathématiques à l'Université de Toronto, ont utilisé les observations de 820 étoiles, sous la forme de 115 millions d'extraits de données. Les modèles d'apprentissage en profondeur que l'équipe a développés à l'aide de la bibliothèque ML TensorFlow et de la bibliothèque Python Keras ont identifié environ 3 millions de signaux d'intérêt. Le groupe a été réduit à 20,515 100 signaux intéressants, soit plus de XNUMX fois moins que les analyses précédentes du même ensemble de données, ont affirmé les auteurs.

Ils ont ensuite identifié huit signaux d'intérêt non détectés auparavant, bien que les observations de suivi n'aient pas réussi à redétecter ces cibles, selon un article publié dans Nature Astronomy.

Les auteurs suggèrent que leur méthode pourrait être appliquée à d'autres grands ensembles de données pour accélérer SETI et des enquêtes similaires axées sur les données.

« SETI vise à répondre à cette question en recherchant des preuves de vie intelligente ailleurs dans la galaxie via les « technosignatures » créées par leur technologie. Jusqu'à présent, la majorité des recherches de technosignatures ont été menées à des radiofréquences, compte tenu de la facilité de propagation des signaux radio dans l'espace interstellaire, ainsi que de l'efficacité relative de la construction de puissants émetteurs et récepteurs radio », ont déclaré les auteurs.

"La détection d'une technosignature sans ambiguïté démontrerait l'existence d'une intelligence extraterrestre (ETI) et présente donc un intérêt aigu pour les scientifiques et le grand public", ont-ils fait valoir.

D'autres applications de ML dans le SETI incluent un classificateur de signal générique pour les observations obtenues au réseau de télescopes Allen et au radiotélescope sphérique à ouverture de cinq cents mètres, des identificateurs d'interférences de radiofréquence basés sur un réseau neuronal convolutif et des algorithmes de détection d'anomalies, le ont dit les auteurs.

L'un des projets les plus célèbres dans le domaine était SETI@home, qui a envoyé des lectures de radiotélescope aux ordinateurs personnels des volontaires pour passer au crible les signes potentiels de vie extraterrestre pendant plus de 20 ans, mais cessé d'envoyer des données en 2020.

Le projet a été supervisé depuis 1999 par le Berkeley SETI Research Center, qui gère plusieurs initiatives connexes, et a utilisé environ 1.5 million de jours de temps informatique. Bien qu'il n'ait pas atteint son objectif d'identifier la vie extraterrestre intelligente, il a démontré avec succès que des projets informatiques volontaires pouvaient utiliser des ordinateurs connectés à Internet comme un outil d'analyse viable, dépassant les plus grands super-ordinateurs du monde. ®