Boffins använder maskininlärning i sökandet efter intelligent ET

Återutgiven av Platon

anhängare: 0

Forskare har utvecklat en maskininlärningsmetod som de tror kan hjälpa till att filtrera bort störningar och mer effektivt upptäcka ovanliga radiosignaler från rymden, vilket bidrar till det pågående sökandet efter utomjordisk intelligens.

Sök efter utomjordisk intelligens (SETI)-program har använt radioteleskop i årtionden för att upptäcka entydiga konstgjorda signaler som kommer från himlavalvet. Denna sökning kompliceras dock av störningar från mänsklig teknik, vilket kan generera falska positiva identifieringar som är tidskrävande att filtrera bort från stora datamängder.

Forskning ledd av Peter Ma, tredje året fysik och matematik undergraduate vid University of Toronto, använde observationer från 820 stjärnor, i form av 115 miljoner bitar av data. De djupinlärningsmodeller som teamet utvecklade med hjälp av ML-biblioteket TensorFlow och Python-biblioteket Keras, identifierade cirka 3 miljoner signaler av intresse. Gruppen reducerades till 20,515 100 intressanta signaler, vilket är mer än XNUMX gånger mindre än tidigare analyser av samma datauppsättning, hävdade författarna.

De fortsatte med att identifiera åtta tidigare oupptäckta signaler av intresse, även om uppföljande observationer inte har lyckats återupptäcka dessa mål, enligt en artikel publicerad i Nature Astronomy.

Författarna föreslår att deras metod skulle kunna tillämpas på andra stora datamängder för att påskynda SETI och liknande datadrivna undersökningar.

"SETI strävar efter att svara på denna fråga genom att leta efter bevis på intelligent liv någon annanstans i galaxen via de 'teknosignaturer' som skapas av deras teknologi. Majoriteten av teknosignatursökningar hittills har utförts vid radiofrekvenser, med tanke på den lätta spridningen av radiosignaler genom det interstellära rymden, såväl som den relativa effektiviteten i konstruktionen av kraftfulla radiosändare och mottagare”, sa författarna.

"Detekteringen av en entydig teknosignatur skulle visa förekomsten av utomjordisk intelligens (ETI) och är därför av akut intresse för både forskare och allmänheten," hävdade de.

Andra tillämpningar av ML i SETI, inkluderar en generisk signalklassificerare för observationer som erhållits vid Allen Telescope Array och vid Five-hundred-meter Aperture Spherical Radio Telescope, konvolutionella neurala nätverksbaserade radiofrekvensinterferensidentifierare och anomalidetekteringsalgoritmer, sa författare.

Ett av de mest kända projekten på området var SETI@home, som skickade radioteleskopavläsningar till volontärers hemdatorer för att sålla efter potentiella tecken på utomjordiskt liv i mer än 20 år, men slutade skicka data 2020.

Projektet har övervakats sedan 1999 av Berkeley SETI Research Center, som hanterar flera relaterade initiativ, och har använt cirka 1.5 miljoner dagars datortid. Även om det inte uppnådde sitt mål att peka ut intelligent utomjordiskt liv, visade det framgångsrikt att frivilliga datorprojekt kunde använda internetanslutna datorer som ett livskraftigt analysverktyg och utskala världens största superdatorer. ®