Zastosowanie uczenia maszynowego w poszukiwaniach życia pozaziemskiego

Poszukiwania inteligentnych form życia w Kosmosie rozpoczęły się Stanach Zjednoczonych w 1960 r. od projektu Ozma prowadzonego przez Franka Drake'a. Kolejne eksperymenty prowadzono w następnych latach. Od blisko 40 lat poszukiwaniami dowodów na istnienie cywilizacji technologicznych we Wszechświecie zajmuje się amerykański Instytut SETI (Search for Extraterrestrial Intelligence), który opisał doświadczenia z wykorzystaniem uczenia maszynowego.

„W sumie przeszukaliśmy 150 TB danych 820 pobliskich gwiazd w zbiorze danych, który wcześniej był przeszukiwany w 2017 r. klasycznymi technikami i oznaczony został jako pozbawiony interesujących sygnałów – powiedział główny autor badania Peter Ma. - Dzisiaj zwiększamy wysiłki poszukiwawcze do 1 miliona gwiazd za pomocą teleskopu MeerKAT. Wierzymy, że taka praca pomoże przyspieszyć tempo, w jakim jesteśmy w stanie dokonywać odkryć, aby odpowiedzieć na pytanie: czy jesteśmy sami we Wszechświecie?".

Poszukiwania pozaziemskich inteligentnych form życia odbywają się poprzez próby wykrycia technosygnatur (np. przemysłowe zanieczyszczenia atmosfery, światła miast, ogniwa fotowoltaiczne, satelity) lub dowodów technologii, które mogły rozwinąć obce cywilizacje. Najpopularniejszą techniką jest poszukiwanie sygnałów radiowych.

W badaniu tym ponownie przeanalizowano dane zebrane za pomocą teleskopu Green Bank w Wirginii Zachodniej, w ramach kampanii Breakthrough Listen, która początkowo nie wskazywała interesujących wyników. Celem było zastosowanie nowych technik głębokiego uczenia maszynowego do klasycznego algorytmu wyszukiwania, aby uzyskać szybsze i dokładniejsze wyniki. Po uruchomieniu algorytmu i ponownym zbadaniu danych w celu potwierdzenia wyników, nowo wykryte sygnały miały kilka kluczowych cech, które wcześniej nie zostały dostrzeżone.

„Wyniki te ilustrują siłę zastosowania nowoczesnych metod uczenia maszynowego i widzenia komputerowego do wyzwań związanych z danymi w astronomii. Efektem tego są nowe detekcje, jak i wyższa wydajność. Zastosowanie tych technik na dużą skalę będzie przełomowe dla nauki o technosygnaturach radiowych" – powiedziała astronautka dr Cherry Ng. 

Uczenie maszynowe to podzbiór sztucznej inteligencji koncentrujący się na przystosowaniu komputerów do uczenia się na podstawie zdobywanych danych i doskonalenia dzięki nowym doświadczeniom. W uczeniu maszynowym algorytmy są szkolone w celu znalezienia wzorców i korelacji w dużych zbiorach danych oraz podejmowania najlepszych decyzji i prognoz na podstawie tej analizy. 

Korzystanie z uczenia maszynowego zwiększa dokładność analizy danych, do których mają dostęp.