Boffins wdraża uczenie maszynowe w poszukiwaniu inteligentnych obiektów ET

Opublikowane ponownie przez Plato

Obserwuje: 0

Naukowcy opracowali metodę uczenia maszynowego, która ich zdaniem może pomóc odfiltrować zakłócenia i skuteczniej wykrywać niezwykłe sygnały radiowe z kosmosu, przyczyniając się do trwających poszukiwań inteligencji pozaziemskiej.

Programy poszukiwania inteligencji pozaziemskiej (SETI) od dziesięcioleci wykorzystują radioteleskopy do wykrywania jednoznacznych sztucznych sygnałów pochodzących z firmamentu. Jednak to wyszukiwanie komplikuje ingerencja ze strony technologii ludzkiej, która może generować fałszywie pozytywne identyfikacje, których odfiltrowanie z dużych zbiorów danych jest czasochłonne.

Badania prowadzone przez Petera Ma, studenta trzeciego roku fizyki i matematyki na Uniwersytecie w Toronto, wykorzystały obserwacje z 820 gwiazd w postaci 115 milionów fragmentów danych. Modele głębokiego uczenia się, które zespół opracował przy użyciu biblioteki ML TensorFlow i biblioteki Python Keras, zidentyfikowały około 3 milionów sygnałów zainteresowania. Autorzy twierdzili, że grupa została zredukowana do 20,515 100 interesujących sygnałów, czyli ponad XNUMX razy mniej niż poprzednie analizy tego samego zestawu danych.

Następnie zidentyfikowali osiem wcześniej niewykrytych sygnałów będących przedmiotem zainteresowania, chociaż dalsze obserwacje nie pozwoliły na ponowne wykrycie tych celów, zgodnie z artykuł opublikowany w Nature Astronomy.

Autorzy sugerują, że ich metodę można zastosować do innych dużych zbiorów danych, aby przyspieszyć SETI i podobne ankiety oparte na danych.

„SETI stara się odpowiedzieć na to pytanie, szukając dowodów na istnienie inteligentnego życia w innych częściach galaktyki za pomocą „technosygnatur” stworzonych przez ich technologię. Większość dotychczasowych poszukiwań technosygnatur przeprowadzono na częstotliwościach radiowych, biorąc pod uwagę łatwość propagacji sygnałów radiowych w przestrzeni międzygwiezdnej, a także względną wydajność konstrukcji potężnych nadajników i odbiorników radiowych” – stwierdzili autorzy.

„Wykrycie jednoznacznej technosygnatury wykazałoby istnienie inteligencji pozaziemskiej (ETI) i dlatego jest przedmiotem żywego zainteresowania zarówno naukowców, jak i ogółu społeczeństwa” – argumentowali.

Inne zastosowania ML w SETI obejmują ogólny klasyfikator sygnału dla obserwacji uzyskanych w Allen Telescope Array i w Sferycznym Radioteleskopie Pięćset metrów, konwolucyjne identyfikatory interferencji częstotliwości radiowych oparte na sieciach neuronowych oraz algorytmy wykrywania anomalii, powiedzieli autorzy.

Jednym z najbardziej znanych projektów w tej dziedzinie był SETI@home, który wysyłał odczyty z radioteleskopu do komputerów domowych ochotników w celu poszukiwania potencjalnych oznak życia pozaziemskiego przez ponad 20 lat, ale przestał wysyłać dane w 2020 roku.

Projekt był nadzorowany od 1999 roku przez Berkeley SETI Research Center, które zarządza kilkoma powiązanymi inicjatywami i wykorzystało około 1.5 miliona dni czasu komputerowego. Chociaż nie osiągnięto celu, jakim było dokładne wskazanie inteligentnego życia pozaziemskiego, z powodzeniem zademonstrowano, że ochotnicze projekty komputerowe mogą wykorzystywać komputery podłączone do Internetu jako realne narzędzie analityczne, przewyższając skalą największe superkomputery na świecie. ®