Может ли машинное обучение помочь нам найти внеземную жизнь?

Используя алгоритм машинного обучения на наборе данных близлежащих звезд, исследователи обнаружили восемь сигналов, представляющих интерес для поиска внеземной жизни. Эти сигналы имеют специфические характеристики, которые делают их особенно интересными и которые ранее не рассматривались. Исследование показывает, что внедрение машинного обучения в анализ данных телескопов сделает поиск инопланетного разума более быстрым и эффективным.

Новый подход к анализу данных с использованием машинного обучения открывает новые горизонты в поиске внеземной жизни. Об этом свидетельствует последнее исследование, проведенное совместно с исследователями из Института SETI, который занимается поиском доказательств существования внеземного разума.

Исследование проводилось под руководством студента Питера Ма из Университета Торонто в сотрудничестве с научно-исследовательскими институтами со всего мира. Он применил метод глубокого обучения к 150 терабайтам данных от 820 близлежащих радиоисточников, обнаружив в ходе анализа 2017 года восемь ранее не идентифицированных сигналов, представляющих интерес.

Но он сказал: «Мы верим, что подобная работа поможет ускорить скорость, с которой мы сможем совершать открытия, в нашем огромном стремлении ответить на вопрос «одни ли мы во Вселенной?«».

Применение машинного обучения к данным SETI

В ходе исследования были заново изучены данные, полученные с помощью телескопа Грин-Бэнк в Западной Вирджинии в рамках кампании проекта Breakthrough Listen. Цель заключалась в применении новых методов глубокого обучения к классическому алгоритму поиска для получения более быстрых и точных результатов.

После запуска нового алгоритма и ручного просмотра данных для подтверждения результатов, восемь из обнаруженных сигналов имели характеристики, которые делали их особенно интересными:

1. Они были узкополосными, т.е. имели небольшую спектральную амплитуду, порядка нескольких Гц. Сигналы, вызванные естественными космическими явлениями, как правило, широкополосные.
2. Они имели ненулевую скорость дрейфа, т.е. имели определенный «наклон». Это может указывать на то, что возникновение сигнала было ускорено нашими приемниками на Земле.
3. Они появились в наблюдениях ON-источника и не появились в наблюдениях OFF-источника, что необычно для небесного источника.

Хотя анализ данных с использованием методов машинного обучения еще не привел к обнаружению новых сигналов, этот подход позволит исследователям более эффективно и быстро разобраться в собранных данных. И действовать быстро, чтобы еще раз изучить особенно интересные цели.

Теперь Ма и его помощники хотят внедрить расширения этого алгоритма в систему COSMIC Института SETI. Огромный объем данных, собираемых наземными обсерваториями, требует новых вычислительных инструментов для быстрой обработки и анализа этих данных. Это позволит выявить любые аномалии, которые могут быть свидетельством наличия внеземного разума или других пока неизвестных явлений.