Boffins Deploy Machine Learning In Search For Intelligent ET

Heruitgegeven door Plato

volgers: 0

Wetenschappers hebben een machine-leermethode ontwikkeld waarvan ze denken dat deze kan helpen om interferentie uit te filteren en ongebruikelijke radiosignalen uit de ruimte efficiënter te kunnen opsporen, wat bijdraagt aan de voortdurende zoektocht naar buitenaardse intelligentie.

Programma's voor het zoeken naar buitenaardse intelligentie (SETI) gebruiken al tientallen jaren radiotelescopen om ondubbelzinnige kunstmatige signalen te detecteren die van het firmament komen. Deze zoekopdracht wordt echter bemoeilijkt door interferentie van menselijke technologie, die fout-positieve identificaties kan genereren die tijdrovend zijn om uit grote datasets te filteren.

Onderzoek onder leiding van Peter Ma, derdejaarsstudent natuurkunde en wiskunde aan de Universiteit van Toronto, maakte gebruik van waarnemingen van 820 sterren in de vorm van 115 miljoen gegevensfragmenten. De deep learning-modellen die het team ontwikkelde met behulp van ML-bibliotheek TensorFlow en Python-bibliotheek Keras, identificeerden ongeveer 3 miljoen interessante signalen. De groep werd teruggebracht tot 20,515 interessante signalen, wat meer dan 100 keer minder is dan eerdere analyses van dezelfde dataset, beweerden de auteurs.

Vervolgens identificeerden ze acht voorheen niet-gedetecteerde signalen van interesse, hoewel vervolgwaarnemingen er niet in zijn geslaagd deze doelen opnieuw te detecteren, volgens een paper gepubliceerd in Nature Astronomy.

De auteurs suggereren dat hun methode kan worden toegepast op andere grote datasets om SETI en vergelijkbare datagestuurde enquêtes te versnellen.

“SETI probeert deze vraag te beantwoorden door te zoeken naar bewijs van intelligent leven elders in de melkweg via de 'technosignaturen' die door hun technologie zijn gecreëerd. De meeste zoekopdrachten naar technosignaturen zijn tot nu toe uitgevoerd op radiofrequenties, gezien het gemak van voortplanting van radiosignalen door de interstellaire ruimte, evenals de relatieve efficiëntie van de constructie van krachtige radiozenders en -ontvangers, "zeiden de auteurs.

"De detectie van een ondubbelzinnige technosignatuur zou het bestaan van buitenaardse intelligentie (ETI) aantonen en is dus van acuut belang voor zowel wetenschappers als het grote publiek", betoogden ze.

Andere toepassingen van ML in de SETI zijn onder meer een generieke signaalclassificator voor waarnemingen verkregen bij de Allen Telescope Array en bij de Five-honderd-meter Aperture Spherical Radio Telescope, op convolutionele neurale netwerken gebaseerde radiofrequentie-interferentie-identifiers en anomaliedetectie-algoritmen, de auteurs zeiden.

Een van de beroemdste projecten in het veld was SETI@home, dat gedurende meer dan 20 jaar metingen van radiotelescopen naar de thuiscomputers van vrijwilligers stuurde om te zoeken naar mogelijke tekenen van buitenaards leven. gestopt met het verzenden van gegevens in 2020.

Het project stond sinds 1999 onder toezicht van het Berkeley SETI Research Center, dat verschillende gerelateerde initiatieven beheert, en heeft ongeveer 1.5 miljoen dagen aan computertijd gebruikt. Hoewel het zijn doel om intelligent buitenaards leven te lokaliseren niet heeft bereikt, heeft het met succes aangetoond dat vrijwillige computerprojecten computers die op het internet zijn aangesloten, kunnen gebruiken als een levensvatbare analysetool, waarmee ze de grootste supercomputers ter wereld overtreffen. ®