|
Поможет ли машинное обучение найти внеземную жизнь
|
|
|
|
Размышляя над вероятностью обнаружения технологически продвинутой внеземной жизни, часто возникает вопрос: «Если они существуют, почему мы их еще не нашли?» И часто ответ таков, что мы исследовали лишь крошечную часть галактики. Кроме того, алгоритмы, разработанные десятилетия назад для первых цифровых компьютеров, могут оказаться устаревшими и неэффективными при применении к современным наборам данных петабайтного масштаба. Теперь исследование, опубликованное в журнале Nature Astronomy и проведенное под руководством студента бакалавриата Университета Торонто Питера Ма, вместе с исследователями из Института SETI, Breakthrough Listen и научно-исследовательских институтов по всему миру применили метод глубокого обучения к ранее изученному объекту. набор данных о ближайших звездах и обнаружил восемь ранее не идентифицированных сигналов, представляющих интерес.
|
|
|
|
«В общей сложности мы просмотрели 150 ТБ данных о 820 близлежащих звездах в наборе данных, который ранее был проанализирован в 2017 году с помощью классических методов, но помечен как лишенный интересных сигналов», — сказал ведущий автор Питер Ма. «Сегодня мы масштабируем эти поисковые усилия до 1 миллиона звезд с помощью телескопа MeerKAT и выше. Мы верим, что подобная работа поможет ускорить скорость, с которой мы сможем делать открытия в нашем грандиозном стремлении ответить на вопрос: «Одиноки ли мы?» во Вселенной?» Поиск внеземного разума (SETI) направлен на поиск доказательств существования внеземного разума за пределами Земли путем обнаружения техносигнатур или доказательств наличия технологий, которые могли быть разработаны инопланетными цивилизациями. Наиболее распространенным методом является поиск радиосигналов.
|
|
|
Радио — отличный способ передать информацию на невероятные расстояния между звездами; он быстро проходит через пыль и газ, которые пронизывают пространство, и делает это со скоростью света (примерно в 20 000 раз быстрее, чем наши лучшие ракеты). Многие усилия SETI используют антенны для подслушивания любых радиосигналов, которые могут передавать инопланетяне. В этом исследовании были повторно изучены данные, полученные с помощью телескопа Грин-Бэнк в Западной Вирджинии в рамках кампании Breakthrough Listen, которая изначально не указывала на интересующие цели. Цель состояла в том, чтобы применить новые методы глубокого обучения к классическому алгоритму поиска, чтобы получить более быстрые и точные результаты. После запуска нового алгоритма и повторной проверки данных вручную для подтверждения результатов новые обнаруженные сигналы имели несколько ключевых характеристик:
|
|
|
|
- Сигналы были узкополосными, то есть имели узкую спектральную ширину, порядка нескольких Гц. Сигналы, вызванные природными явлениями, имеют тенденцию быть широкополосными.
|
|
- У сигналов была ненулевая скорость дрейфа, что означает, что сигналы имели наклон. Такие наклоны могут указывать на то, что источник сигнала имеет относительное ускорение относительно наших приемников, следовательно, не является локальным для радиообсерватории.
|
|
- Сигналы появились в наблюдениях с включенным источником, а не в наблюдениях с выключенным источником. Если сигнал исходит от определенного небесного источника, он появляется, когда мы наводим телескоп на цель, и исчезает, когда мы отводим взгляд. Радиопомехи человека обычно возникают при наблюдениях ВКЛ и ВЫКЛ из-за того, что источник находится близко.
|
|
|
|
Черри Нг, еще один из научных советников Ма и астроном из Института SETI и Французского национального центра научных исследований, сказал: «Эти результаты ярко иллюстрируют возможности применения современных методов машинного обучения и компьютерного зрения для решения проблем с данными в астрономии, что приводит к как новые обнаружения, так и более высокая производительность. Масштабное применение этих методов будет революционным для науки о радиотехносигнатурах». Хотя повторные исследования этих новых представляющих интерес целей еще не привели к повторному обнаружению этих сигналов, этот новый подход к анализу данных может позволить исследователям более эффективно понимать данные, которые они собирают, и быстро действовать для повторного изучения целей. Ма и его советник доктор Черри Нг с нетерпением ждут развертывания расширений этого алгоритма в системе COSMIC Института SETI.
|
|
|
|
С тех пор, как эксперименты SETI начались в 1960 году с проекта Фрэнка Дрейка «Озма» в обсерватории Гринбэнк, где сейчас находится телескоп, использованный в этой последней работе, технологические достижения позволили исследователям собрать больше данных, чем когда-либо. Этот огромный объем данных требует новых вычислительных инструментов для быстрой обработки и анализа этих данных с целью выявления аномалий, которые могут свидетельствовать о существовании внеземного разума. Этот новый подход к машинному обучению открывает новые горизонты в поисках ответа на вопрос: «Одиноки ли мы?»
|
|
|
|
Источник
|
