AI bliver trænet til at jage på fremmede liv

Fra frysende havmåner til planeter med én side i evig nat, er der utallige mærkelige verdener i Guldlokzonen - områder, hvor rumvæsener teoretisk set kunne udvikle sig. Søgen efter liv i rummet har længe fanget den menneskelige fantasi. Nu, med lidt hjælp fra computere, har forskere en bedre chance end nogensinde for at finde et signal i støjen. 

Teknosignaturer og biosignaturer

Søgen efter liv i rummet antager to former. På den ene side er jagten på at finde noget levende, selv bakterier eller svampe, der udviklede sig på en anden planet. Alene tilstedeværelsen af ​​fremmede meldugfossiler ville have dybtgående konsekvenser for den menneskelige psyke og knuse forestillinger om livet, som vi kender det.

Biosignaturer er beviser på ethvert liv tidligere eller nutid, intelligent eller hjerneløst. De er ikke kun begrænset til fodspor og knogler. Kemikalier, biofilm, atmosfæriske gasser og endda reflektansegenskaber set langvejs fra kunne indikere tilstedeværelsen af ​​liv.

Men nogle videnskabsmænd leder efter mere end amøber. Søgen efter udenjordisk intelligens (SETI) entusiaster verden over lytter nøje efter teknosignaturer, tegn på avancerede civilisationer. Disse specifikke biosignaturer kunne omfatte radiobølger, som radioteleskoper - lyttende i stedet for at se ud i rummet - kunne detektere. 

AI slutter sig til holdet

Fra 2023 har forskere ikke fundet beviser for teknosignaturer, men det betyder ikke, at de ikke prøver. Nye fremskridt inden for maskinlæring har givet SETI-feltet en fornyet kraft. 

Stanfords Fei-Fei Li udgav det gratis Imagenet, en database med over 14 millioner mærkede billeder, i 2009. Mange forskere brugte det til at udvikle deres egne machine learning-modeller. Siden da har kunstig intelligens (AI) muliggjort store fremskridt inden for alt fra medicin til programmering.

AI skinner, når det kommer til at behandle enorme mængder af data. Forskere bruger i øjeblikket fjernmålingsmetoder i deres søgen efter liv i rummet, hvilket betyder, at de indsamler information - snarere end fysiske prøver, som sten - fra andre måner og planeter. Det betyder også, at nogen skal gennemsøge alle data.

Ligesom at panorere efter guld på Mount Everest ville opgaven praktisk talt være en stor indsats, når den udføres i hånden. Det er bare ikke praktisk. Heldigvis kan AI-software lede efter signaler, forskere mener kunne være teknosignaturer. Maskinlæringsmodeller kan analysere tidligere signaler og forudsige, hvordan de skal lyde i fremtiden for at opdage abnormiteter, der kan komme fra fremmede verdener. 

Ingeniører træner algoritmer på store datasæt, så AI kan genkende lyden af ​​jordisk interferens, såsom radiobølger, der kommer fra vores egen planet. Det hjælper softwaren med at bortfiltrere falske alarmer. Ved hjælp af dataanalyse har NASA katalogiseret over 5,400 planeter, hvoraf nogle kan være beboelige. 

Real-World-applikationer

I februar 2023 startede astronomer fra University of California, Los Angeles (UCLA) et borgervidenskabsprojekt kaldet Breakthrough Listen, der lader medlemmer af offentligheden se på billeder af radiosignaler. Frivillige hjælper med at klassificere billederne som potentielle former for interferens, og hjælper med at træne en AI-algoritme til at se gennem SETI-data fra Green Bank Observatory, West Virginia. 

Green Bank er berømt for ikke at tillade nogen beboere at bruge elektroniske enheder. Da observatoriets massive radioteleskop har brug for, ja, radiotavshed, kan beboere i området blandt andet ikke bruge Wi-Fi, mikrobølger eller mobiltelefoner. Ved at eksportere sine data til UCLAs AI-projekt kan Green Bank drage fuld fordel af crowdsourcing i søgen efter liv i rummet. 

Forskere ved SETI Institute i Californien kortlagde de mikrober, der lever i saltkupler, krystaller og klipper i Salar de Pajonales. Denne saltede flade, der skræver Chiles Atacama-ørken og Altiplano-området, kunne være en god analog til planeter, der ser golde ud, men som faktisk vrimler med liv. 

Gruppen gik sammen med forskeren Freddie Kalaitzis for at træne en AI-model til at lede efter mønstre, der er forbundet med livet i ørkenen. Ved at kombinere maskinlæring og statistisk økologi opdagede forskerne, at de kunne opdage de fleste biosignaturer i miljøet. De fandt også, at de fleste mikrober var koncentreret i områder med mere tilgængeligt vand.

Inde i en drone eller satellit kan denne type AI-værktøj registrere biosignaturer på andre planeter. Holdet planlægger at kortlægge tørre dale, permafrost-dækket jord og varme kilder andre steder for at træne maskinlæringsmodellen yderligere, så den en dag kan være klar til en rummission.

En anden praktisk brug for AI er at organisere data i rangerede lister. Forskere bruger maskinlæring til at rangere stjerner, der kan have lovende måner eller planeter i deres kredsløb. De vil bruge disse data til at gennemføre et SETI-projekt ved hjælp af verdens største enkelt-skålsteleskop, Kinas FAST radioteleskop.

AI og søgen efter liv i rummet

For nogle, der siger nej, er SETI-forskning spild af tid, da den endnu ikke har fundet beviser for udenjordisk liv. Men indsamlingen af ​​enorme mængder data har inspireret andre grene af videnskaben til at følge i dens fodspor. 

SETI har i det mindste avanceret inden for maskinlæring og inspireret utallige mennesker til at se ud over vores planet efter tegn på liv. I bedste fald vil det finde noget virkelig bemærkelsesværdigt - og det kan for altid ændre historiens gang. Hvis nogen eller noget er derude, er der en god chance for, at SETI-forskere vil være de første til at høre fra dem.