Поможет ли машинное обучение найти внеземную жизнь?

Когда мы размышляем о вероятности обнаружения технологически развитой внеземной жизни, часто возникает вопрос: «Если они там есть, почему мы их еще не нашли?». И часто ответ заключается в том, что мы исследовали лишь крошечную часть галактики. Кроме того, алгоритмы, разработанные десятилетия назад для самых первых цифровых компьютеров, могут оказаться устаревшими и неэффективными при применении к современным петабайтным массивам данных. Исследование, опубликованное в журнале Nature Astronomy под руководством студента университета Торонто Питера Ма, а также исследователей из Института SETI, Breakthrough Listen и научно-исследовательских институтов по всему миру, применило метод глубокого обучения к ранее изученному набору данных о близлежащих звездах и обнаружило восемь ранее неопознанных сигналов, представляющих интерес.

Поможет ли машинное обучение найти внеземную жизнь?

«В общей сложности мы просмотрели 150 ТБ данных о 820 близлежащих звездах на наборе данных, который ранее, в 2017 году, был изучен классическими методами, но был признан лишенным интересных сигналов», – сказал Питер Ма, ведущий автор работы. «Сегодня мы масштабируем эту работу по поиску до 1 миллиона звезд с помощью телескопа MeerKAT и далее. Мы считаем, что подобная работа поможет ускорить темпы совершения открытий в нашей грандиозной попытке ответить на вопрос «одиноки ли мы во Вселенной?»".

Поможет ли машинное обучение найти внеземную жизнь?

Поиск внеземного разума (SETI) ищет доказательства существования внеземного разума за пределами Земли, пытаясь обнаружить техносигнатуры, или свидетельства технологий, которые могли быть разработаны инопланетными цивилизациями. Наиболее распространенным методом является поиск радиосигналов. Радио – отличный способ передачи информации на невероятные расстояния между звездами; оно быстро проходит сквозь пыль и газ, пронизывающие космос, и делает это со скоростью света (примерно в 20 000 раз быстрее, чем наши лучшие ракеты). Во многих исследованиях SETI используются антенны для подслушивания радиосигналов, которые могут передавать инопланетяне.

Поможет ли машинное обучение найти внеземную жизнь?

В данном исследовании были повторно изучены данные, полученные с помощью телескопа Грин-Бэнк в Западной Вирджинии в рамках кампании Breakthrough Listen, которая первоначально не выявила никаких интересных целей. Целью было применить новые методы глубокого обучения к классическому алгоритму поиска, чтобы получить более быстрые и точные результаты. После запуска нового алгоритма и повторного изучения данных вручную для подтверждения результатов, вновь обнаруженные сигналы имели несколько ключевых характеристик: Сигналы были узкополосными, то есть имели узкую ширину спектра, порядка нескольких Гц. Сигналы, вызванные природными явлениями, как правило, широкополосные. Сигналы имели ненулевую скорость дрейфа, что означает, что сигналы имели наклон. Такие наклоны могут указывать на то, что источник сигнала имеет некоторое относительное ускорение относительно наших приемников, следовательно, не является местным для радиообсерватории. Сигналы появлялись в наблюдениях ON-источника и не появлялись в наблюдениях OFF-источника. Если сигнал исходит от конкретного небесного источника, он появляется, когда мы направляем телескоп на цель, и исчезает, когда мы смотрим в сторону. Черри Нг, еще один научный руководитель Ма, астроном Института SETI и Французского национального центра научных исследований, сказал: «Эти результаты наглядно демонстрируют возможности применения современных методов машинного обучения и компьютерного зрения для решения задач, связанных с данными в астрономии, что приводит к новым обнаружениям и повышению производительности. Применение этих методов в широких масштабах станет революционным для науки о радиотехнопризнаках».

Поможет ли машинное обучение найти внеземную жизнь?

Хотя повторные исследования этих новых объектов интереса еще не привели к повторным обнаружениям этих сигналов, этот новый подход к анализу данных может позволить исследователям более эффективно понимать собираемые данные и быстро действовать для повторного исследования объектов. Ма и его советник доктор Черри Нг с нетерпением ждут возможности развертывания расширений этого алгоритма в системе COSMIC Института SETI.

Поможет ли машинное обучение найти внеземную жизнь?

С момента начала экспериментов SETI в 1960 году в рамках проекта Фрэнка Дрейка «Озма» в обсерватории Гринбанк, где сейчас находится телескоп, используемый в этой последней работе, технологические достижения позволили исследователям собирать 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 быть свидетельством внеземного разума. Этот новый подход к машинному обучению открывает новые горизонты в поисках ответа на вопрос «одиноки ли мы?».
Открытый космос. В поисках внеземных цивилизаций • Поможет ли машинное обучение найти внеземную жизнь? play thumbnailUrl Поможет ли машинное обучение найти внеземную жизнь?
Астрономы обнаружили несколько тысяч экзопланет в нашей галактике Млечный Путь, но, по их же расчетам таких миров более 50 миллиардов. А если добавить другие галактики… Как-то с большим трудом верится в то, что разумная жизнь появилась только на одной…Поможет ли машинное обучение найти внеземную жизнь? - 3954034
PT1H7M
True
2023-01-31T00:34:27+03:00
embedUrl

Проблема поиска внеземных цивилизаций  физик АЛЕКСАНДР ПАНОВ • Поможет ли машинное обучение найти внеземную жизнь? play thumbnailUrl Поможет ли машинное обучение найти внеземную жизнь?
В гостях Александр Дмитриевич Панов – футуролог, доктор физико-математических наук и ведущий научный сотрудник в научно-исследовательском институте ядерной физики имени Д.В. Скобельцина МГУ. Поговорили о вариантах развития человеческой цивилизации и…Поможет ли машинное обучение найти внеземную жизнь? - 3954034
PT1H50M
True
2023-01-31T00:34:27+03:00
embedUrl

Похожие темы




Интересное в разделе «Наука»

Постные блюда

Новое