Boffins implementerer maskinlæring på jakt etter intelligent ET

Publisert av Platon

Følgere: 0

Forskere har utviklet en maskinlæringsmetode de tror kan bidra til å filtrere ut interferens og mer effektivt oppdage uvanlige radiosignaler fra verdensrommet, noe som bidrar til det pågående søket etter utenomjordisk intelligens.

Søk etter utenomjordisk intelligens (SETI)-programmer har brukt radioteleskoper i flere tiår for å oppdage entydige kunstige signaler som kommer fra himmelhvelvingen. Imidlertid er dette søket komplisert av forstyrrelser fra menneskelig teknologi, som kan generere falske positive identifikasjoner som er tidkrevende å filtrere ut fra store datasett.

Forskning ledet av Peter Ma, tredjeårs fysikk- og matematikkstudent ved University of Toronto, brukte observasjoner fra 820 stjerner, i form av 115 millioner databiter. Deep learning-modellene teamet utviklet ved å bruke ML-biblioteket TensorFlow og Python-biblioteket Keras, identifiserte rundt 3 millioner signaler av interesse. Gruppen ble redusert til 20,515 100 interessante signaler, som er mer enn XNUMX ganger mindre enn tidligere analyser av samme datasett, hevdet forfatterne.

De fortsatte med å identifisere åtte tidligere uoppdagede signaler av interesse, selv om oppfølgingsobservasjoner ikke har lykkes med å gjenoppdage disse målene, ifølge en artikkel publisert i Nature Astronomy.

Forfatterne foreslår at metoden deres kan brukes på andre store datasett for å akselerere SETI og lignende datadrevne undersøkelser.

«SETI har som mål å svare på dette spørsmålet ved å se etter bevis på intelligent liv andre steder i galaksen via 'teknosignaturene' skapt av deres teknologi. De fleste teknosignatursøk så langt har blitt utført ved radiofrekvenser, gitt den enkle utbredelsen av radiosignaler gjennom interstellart rom, samt den relative effektiviteten til konstruksjonen av kraftige radiosendere og mottakere," sa forfatterne.

"Deteksjonen av en entydig teknosignatur vil demonstrere eksistensen av utenomjordisk intelligens (ETI) og er derfor av akutt interesse for både forskere og allmennheten," hevdet de.

Andre anvendelser av ML i SETI inkluderer en generisk signalklassifiserer for observasjoner oppnådd ved Allen Telescope Array og ved Five-hundre-meter Aperture Spherical Radio Telescope, konvolusjonelle nevrale nettverksbaserte radiofrekvensinterferensidentifikatorer og anomalideteksjonsalgoritmer, sa forfattere.

Et av de mest kjente prosjektene på feltet var SETI@home, som sendte radioteleskopavlesninger til frivilliges hjemmedatamaskiner for å sile etter potensielle tegn på utenomjordisk liv i mer enn 20 år, men sluttet å sende data i 2020.

Prosjektet ble overvåket siden 1999 av Berkeley SETI Research Center, som administrerer flere relaterte initiativer, og har brukt rundt 1.5 millioner dager med datatid. Selv om den ikke nådde målet om å finne intelligent utenomjordisk liv, demonstrerte det med suksess frivillige dataprosjekter kunne bruke Internett-tilkoblede datamaskiner som et levedyktig analyseverktøy, og utskalere verdens største superdatamaskiner. ®