Το πρόγραμμα για την αναζήτηση εξωγήινης νοημοσύνης, αναπτύσσει αλγορίθμους μηχανικής μάθησης που εντοπίζουν σήματα που μπορεί να διαφεύγουν από τους ανθρώπους.
Από τους λόφους της Δυτικής Βιρτζίνια μέχρι τις πεδιάδες της αγροτικής Αυστραλίας, μερικά από τα μεγαλύτερα τηλεσκόπια του κόσμου αφουγκράζονται σήματα από μακρινούς εξωγήινους πολιτισμούς.
Η αναζήτηση για εξωγήινη νοημοσύνη, γνωστή ως SETI (αναζήτηση εξωγήινης νοημοσύνης), είναι μια προσπάθεια να βρεθούν τεχνητά σήματα ηλεκτρομαγνητικής ακτινοβολίας που μπορεί να προέρχονται από έναν τεχνολογικά προηγμένο πολιτισμό σε ένα μακρινό ηλιακό σύστημα. Μια μελέτη που δημοσιεύεται περιγράφει μια από τις διάφορες προσπάθειες να χρησιμοποιηθεί η μηχανική μάθηση, ένα υποσύνολο της τεχνητής νοημοσύνης (AI), για να βοηθήσει τους αστρονόμους να κοσκινίσουν γρήγορα τους όγκους δεδομένων που αποδίδουν τέτοιες έρευνες. Καθώς η τεχνητή νοημοσύνη αναδιαμορφώνει πολλά επιστημονικά πεδία, τι υπόσχεται για την αναζήτηση ζωής πέρα από τη Γη;
«Είναι μια νέα εποχή για την έρευνα SETI που ανοίγεται χάρη στην τεχνολογία μηχανικής μάθησης», λέει ο Franck Marchis, πλανητικός αστρονόμος στο Ινστιτούτο SETI στο Mountain View της Καλιφόρνια. Το πρόβλημα των μεγάλων δεδομένων είναι σχετικά νέο για το SETI. Για δεκαετίες, ο τομέας περιοριζόταν από το γεγονός ότι δεν είχε σχεδόν καθόλου δεδομένα. Ο αστρονόμος Frank Drake πρωτοστάτησε στην SETI το 1960, όταν έστρεψε ένα τηλεσκόπιο στο Green Bank της Δυτικής Βιρτζίνια προς δύο αστέρια και άκουσε για ραδιοφωνικές μεταδόσεις. Οι περισσότερες από τις έρευνες SETI που ακολούθησαν περιορίστηκαν επίσης σε ένα μικρό αριθμό άστρων.
Όμως το 2015, ο δισεκατομμυριούχος Yuri Milner χρηματοδότησε το μεγαλύτερο πρόγραμμα SETI που έγινε ποτέ, στο Μπέρκλεϊ της Καλιφόρνια: το πρόγραμμα Breakthrough Listen για την αναζήτηση ενός εκατομμυρίου άστρων για σημάδια νοήμονος ζωής. Χρησιμοποιώντας τηλεσκόπια στη Δυτική Βιρτζίνια, την Αυστραλία και τη Νότια Αφρική, το πρόγραμμα αναζητά ραδιοεκπομπές που προέρχονται από την κατεύθυνση ενός άστρου και που αλλάζουν σταθερά σε συχνότητα, όπως θα συνέβαινε αν ένας εξωγήινος πομπός βρισκόταν σε έναν πλανήτη που κινείται σε σχέση με τη Γη.
Χιονοστιβάδα δεδομένων
Το πρόβλημα είναι ότι αυτές οι αναζητήσεις αποδίδουν μια χιονοστιβάδα δεδομένων - συμπεριλαμβανομένων των ψευδώς θετικών δεδομένων που παράγονται από τις γήινες παρεμβολές των κινητών τηλεφώνων, του GPS και άλλων πτυχών της σύγχρονης ζωής.
«Η μεγαλύτερη πρόκληση για εμάς στην αναζήτηση σημάτων SETI δεν είναι σε αυτό το σημείο να πάρουμε τα δεδομένα», λέει η Sofia Sheikh, αστρονόμος στο Ινστιτούτο SETI. «Το δύσκολο είναι να διαφοροποιήσουμε τα σήματα από την ανθρώπινη ή γήινη τεχνολογία από το είδος των σημάτων που θα αναζητούσαμε από τεχνολογία κάπου αλλού στον Γαλαξία».
Η χειροκίνητη εξέταση εκατομμυρίων παρατηρήσεων δεν είναι πρακτική. Μια συνηθισμένη εναλλακτική προσέγγιση είναι η χρήση αλγορίθμων που αναζητούν σήματα που ταιριάζουν με αυτό που οι αστρονόμοι πιστεύουν ότι θα μπορούσαν να μοιάζουν οι εξωγήινοι φάροι. Όμως αυτοί οι αλγόριθμοι μπορεί να παραβλέψουν δυνητικά ενδιαφέροντα σήματα που είναι ελαφρώς διαφορετικά από αυτά που περιμένουν οι αστρονόμοι.
Οι αλγόριθμοι μηχανικής μάθησης εκπαιδεύονται σε μεγάλες ποσότητες δεδομένων και μπορούν να μάθουν να αναγνωρίζουν χαρακτηριστικά που χαρακτηρίζουν τις γήινες παρεμβολές, καθιστώντας τους πολύ καλούς στο φιλτράρισμα του θορύβου.
Σήματα που παραβλέψαμε
Η μηχανική μάθηση είναι επίσης καλή στο να εντοπίζει υποψήφια εξωγήινα σήματα που δεν εμπίπτουν σε συμβατικές κατηγορίες και έτσι μπορεί να μην είχαν ληφθεί υπόψη από προηγούμενες μεθόδους, λέει ο Dan Werthimer, επιστήμονας του SETI στο Πανεπιστήμιο της Καλιφόρνιας στο Μπέρκλεϊ.
Ο Peter Ma, μαθηματικός και φυσικός στο Πανεπιστήμιο του Τορόντο, στον Καναδά, και κύριος συγγραφέας της δημοσίευσης, συμφωνεί. «Δεν μπορούμε πάντα να προβλέπουμε τι μπορεί να μας στείλει ο εξωγήινος», λέει.
Ο Ma και οι συνεργάτες του κοσκίνισαν τις παρατηρήσεις του Breakthrough Listen για 820 αστέρια, οι οποίες έγιναν με τη χρήση του τηλεσκοπίου Robert C. Byrd Green Bank Telescope.
Δημιούργησαν λογισμικό μηχανικής μάθησης για να αναλύσουν τα δεδομένα- αυτό έβγαλε σχεδόν τρία εκατομμύρια σήματα ενδιαφέροντος, αλλά απέρριψε τα περισσότερα ως παρεμβολές από τη Γη. Στη συνέχεια, ο Ma εξέτασε χειροκίνητα περισσότερα από 20.000 σήματα και τα περιόρισε σε 8 ενδιαφέροντα υποψήφια.
Η αναζήτηση κατέληξε τελικά στο κενό - και τα οκτώ σήματα εξαφανίστηκαν όταν η ομάδα τα άκουσε ξανά. Όμως οι μέθοδοι θα μπορούσαν να χρησιμοποιηθούν και σε άλλα δεδομένα, όπως η πλημμύρα παρατηρήσεων από τη συστοιχία 64 ραδιοτηλεσκοπίων MeerKAT στη Νότια Αφρική, την οποία το Breakthrough Listen άρχισε να χρησιμοποιεί τον Δεκέμβριο. Οι αλγόριθμοι μηχανικής μάθησης θα μπορούσαν επίσης να χρησιμοποιηθούν σε αρχειοθετημένα δεδομένα SETI, λέει ο Ma, για την αναζήτηση σημάτων που μπορεί να είχαν προηγουμένως αγνοηθεί.
«Οι μηχανές δεν μπορούν να τα κάνουν όλα, ακόμα»
Σύμφωνα με το nature η μηχανική μάθηση βρίσκεται επίσης στο επίκεντρο μιας ξεχωριστής προσπάθειας SETI που θα ξεκινήσει τον επόμενο μήνα. Στις 14 Φεβρουαρίου, αστρονόμοι του Πανεπιστημίου της Καλιφόρνιας στο Λος Άντζελες (UCLA) θα ξεκινήσουν ένα πρόγραμμα κοινοτικής επιστήμης στο οποίο εθελοντές από το κοινό θα ταξινομούν εικόνες ραδιοσημάτων και θα τα ταξινομούν ως πιθανούς τύπους παρεμβολών, ώστε να εκπαιδεύσουν έναν αλγόριθμο μηχανικής μάθησης για την αναζήτηση δεδομένων SETI από την Green Bank.
Και η τεχνητή νοημοσύνη μπορεί να βοηθήσει σε άλλα στάδια της διαδικασίας SETI. Ο Werthimer και οι συνάδελφοί του χρησιμοποίησαν τη μηχανική μάθηση για να καταλήξουν σε μια κατάταξη των αστέρων που θα παρατηρηθούν σε ένα εν εξελίξει πρόγραμμα SETI που χρησιμοποιεί το μεγαλύτερο τηλεσκόπιο ενός δίσκου στον κόσμο, το ραδιοτηλεσκόπιο FAST των 500 μέτρων στην Κίνα.
Παρόλα αυτά, το SETI θα συνεχίσει πιθανότατα να χρησιμοποιεί ένα μείγμα κλασικών προσεγγίσεων και προσεγγίσεων μηχανικής μάθησης για την ταξινόμηση των δεδομένων, λέει ο Jean-Luc Margot, αστρονόμος στο UCLA. Οι κλασικοί αλγόριθμοι παραμένουν εξαιρετικοί στο να εντοπίζουν υποψήφια σήματα και η μηχανική μάθηση δεν είναι «πανάκεια», λέει.
«Οι μηχανές δεν μπορούν να τα κάνουν όλα, ακόμα», συμφωνεί ο Werthimer.
