Пошуки позаземного життя: машинне навчання виявляє раніше невиявлені сигнали інтересу

Пошуки технологічно розвиненого позаземного життя викликають запитання: «де вони?» Відповідь часто криється в просторах галактики та обмеженому просторі наших пошуків. Крім того, застарілі алгоритми з перших днів обчислювальної техніки можуть бути неефективними в обробці сучасних масивних наборів даних у петабайтному масштабі».

Тепер нещодавнє дослідження, опубліковане в Nature Astronomy, під керівництвом студента Університету Торонто Пітера Ма та дослідників з Інституту SETI, Breakthrough Listen та інших наукових установ, використало глибоке навчання для аналізу раніше вивченого набору даних про найближчі зірки. Цей новий підхід виявив вісім раніше невідомих сигналів інтересу.

«Загалом ми переглянули 150 ТБ даних про 820 найближчих зірок у наборі даних, який раніше шукали у 2017 році класичними методами, але позначали як такий, що не містить цікавих сигналів», — сказав Пітер Ма, провідний автор. «Сьогодні ми масштабуємо ці пошукові зусилля до 1 мільйона зірок за допомогою телескопа MeerKAT і далі. Ми віримо, що така робота допоможе пришвидшити темпи, коли ми зможемо робити відкриття в наших грандіозних зусиллях відповісти на запитання «чи одні ми у Всесвіті?»

Пошук позаземного розуму (SETI) шукає докази існування позаземного розуму за межами Землі, намагаючись виявити техно сигнатури або докази технології, яку могли розробити інопланетні цивілізації. Найпоширенішим прийомом є пошук радіосигналів. Радіо — чудовий спосіб передавати інформацію на неймовірні відстані між зірками; він швидко проходить крізь пил і газ, які пронизують космос, і робить це зі швидкістю світла (приблизно у 20 000 разів швидше, ніж наші найкращі ракети). Багато зусиль SETI використовують антени для прослуховування будь-яких радіосигналів, які можуть передавати прибульці.

У цьому дослідженні переглянуто дані, отримані за допомогою телескопа Грін-Бенк у Західній Вірджинії в рамках кампанії Breakthrough Listen, яка спочатку не вказувала на відсутність цілей, що викликають інтерес. Метою було застосувати нові методи глибокого навчання до класичного алгоритму пошуку, щоб отримати швидші й точніші результати. Після запуску нового алгоритму та повторної перевірки даних вручну для підтвердження результатів нещодавно виявлені сигнали мали кілька ключових характеристик:

1. Сигнали були вузькосмуговими, тобто вони мали вузьку спектральну ширину, порядку лише кількох Гц. Сигнали, викликані природними явищами, як правило, широкосмугові.
2. Сигнали мали ненульову швидкість дрейфу, що означає, що сигнали мали нахил. Такі нахили можуть вказувати на те, що походження сигналу мало відносне прискорення з нашими приймачами, отже, не локальне для радіообсерваторії.
3. Сигнали з’являлися під час спостережень із джерелом ON, а не під час спостережень із джерелом OFF. Якщо сигнал походить від певного небесного джерела, він з’являється, коли ми спрямовуємо наш телескоп на ціль, і зникає, коли ми відводимо погляд. Людські радіоперешкоди зазвичай виникають під час спостережень УВІМКНЕНО та ВИМКНЕНО через близьке розташування джерела.

Черрі Нґ, ще один із наукових радників Ма та астроном Інституту SETI та Французького національного центру наукових досліджень, сказав: «Ці результати яскраво ілюструють силу застосування сучасних методів машинного навчання та комп’ютерного зору для проблем з даними в астрономії, що призводить до як нові виявлення, так і вища продуктивність. Застосування цих методів у великих масштабах буде трансформаційним для науки про радіотехнічні підписи».

Хоча повторне дослідження цих нових цілей, що представляють інтерес, ще не призвело до повторного виявлення цих сигналів, цей новий підхід до аналізу даних може дозволити дослідникам ефективніше розуміти дані, які вони збирають, і швидко діяти для повторного вивчення цілей. Ма та його радник доктор Черрі Нг з нетерпінням чекають розгортання розширень цього алгоритму в системі COSMIC Інституту SETI.

Відколи експерименти SETI почалися в 1960 році з проєкту Озма Френка Дрейка в обсерваторії Грінбенк, де зараз розміщено телескоп, використаний у цій останній роботі, технологічний прогрес дозволив дослідникам зібрати більше даних, ніж будь-коли. Цей величезний обсяг даних потребує нових обчислювальних інструментів для швидкої обробки та аналізу даних, щоб виявити аномалії, які можуть бути доказом позаземного розуму. Цей новий підхід до машинного навчання відкриває нові шляхи у пошуках відповіді на запитання: «Ми самотні?»