Boffins Deploy Machine Learning In Search For Intelligent ET

Ripubblicato da Platone

Seguaci: 0

Gli scienziati hanno sviluppato un metodo di apprendimento automatico che ritengono possa aiutare a filtrare le interferenze e individuare in modo più efficiente segnali radio insoliti dallo spazio, contribuendo alla continua ricerca di intelligenza extraterrestre.

I programmi di ricerca dell'intelligenza extraterrestre (SETI) hanno utilizzato per decenni i radiotelescopi per rilevare segnali artificiali inequivocabili provenienti dal firmamento. Tuttavia, questa ricerca è complicata dall'interferenza della tecnologia umana, che può generare false identificazioni positive che richiedono tempo per filtrare da grandi set di dati.

La ricerca condotta da Peter Ma, laureando in fisica e matematica al terzo anno presso l'Università di Toronto, ha utilizzato le osservazioni di 820 stelle, sotto forma di 115 milioni di frammenti di dati. I modelli di deep learning che il team ha sviluppato utilizzando la libreria ML TensorFlow e la libreria Python Keras, hanno identificato circa 3 milioni di segnali di interesse. Il gruppo è stato ridotto a 20,515 segnali interessanti, che è più di 100 volte inferiore rispetto alle precedenti analisi dello stesso set di dati, hanno affermato gli autori.

Hanno continuato a identificare otto segnali di interesse precedentemente non rilevati, sebbene le osservazioni di follow-up non siano riuscite a rilevare nuovamente questi obiettivi, secondo un articolo pubblicato su Nature Astronomy.

Gli autori suggeriscono che il loro metodo potrebbe essere applicato ad altri grandi set di dati per accelerare SETI e simili sondaggi basati sui dati.

“SETI mira a rispondere a questa domanda cercando prove di vita intelligente altrove nella galassia attraverso le 'tecnofirme' create dalla loro tecnologia. La maggior parte delle ricerche di tecnosignature finora sono state condotte a radiofrequenze, data la facilità di propagazione dei segnali radio attraverso lo spazio interstellare, nonché la relativa efficienza della costruzione di potenti trasmettitori e ricevitori radio", hanno affermato gli autori.

"Il rilevamento di una firma tecnologica inequivocabile dimostrerebbe l'esistenza dell'intelligenza extraterrestre (ETI) ed è quindi di grande interesse sia per gli scienziati che per il pubblico in generale", hanno affermato.

Altre applicazioni di ML nel SETI includono un classificatore di segnali generico per le osservazioni ottenute presso l'Allen Telescope Array e il Five-hundred-meter Aperture Spherical Radio Telescope, identificatori di interferenza in radiofrequenza basati su rete neurale convoluzionale e algoritmi di rilevamento delle anomalie, il hanno detto gli autori.

Uno dei progetti più famosi nel campo è stato SETI@home, che ha inviato le letture del radiotelescopio ai computer di casa dei volontari per vagliare potenziali segni di vita extraterrestre per più di 20 anni, ma ha smesso di inviare dati nel 2020.

Il progetto è stato supervisionato dal 1999 dal Berkeley SETI Research Center, che gestisce diverse iniziative correlate, e ha utilizzato circa 1.5 milioni di giorni di tempo al computer. Sebbene non abbia raggiunto il suo obiettivo di individuare la vita extraterrestre intelligente, ha dimostrato con successo che i progetti informatici volontari potrebbero utilizzare i computer connessi a Internet come uno strumento di analisi praticabile, superando le dimensioni dei più grandi supercomputer del mondo. ®