사상 리더
외계 생명체를 찾도록 훈련받는 인공지능

핵심 포인트AI는 이제 방대한 우주 데이터를 분석하여 잠재적인 외계 기술 신호와 생체 신호를 탐지합니다.
더 보기
- AI는 이제 방대한 우주 데이터를 분석하여 잠재적인 외계 기술 신호와 생체 신호를 탐지합니다.
- Breakthrough Listen과 같은 시민 과학 프로젝트는 SETI 연구를 위해 AI 알고리즘을 훈련시켜 전파 신호를 분류합니다.
- 머신 러닝 모델은 다른 행성의 유사 환경으로 삼기 위해 지구의 극한 환경에서 미생물 생명 패턴을 식별할 수 있습니다.
얼어붙은 바다를 가진 위성부터 한쪽이 영원히 밤인 행성까지, 외계 생명체가 이론적으로 진화할 수 있는 골디락스 존에는 수많은 기묘한 세계가 있습니다. 우주에서 생명을 찾는 것은 오래전부터 인간의 상상력을 사로잡았습니다. 이제 컴퓨터의 도움으로 과학자들은 잡음 속에서 신호를 찾아낼 가능성이 그 어느 때보다 커졌습니다.
테크노신호와 바이오신호
우주에서 생명을 찾는 것은 두 가지 형태를 취합니다. 한 가지에서는 다른 행성에서 진화한 모든 살아있는 것을 찾는 것입니다. 외계 곰팡이의 화석이 존재한다는 사실만으로도 인간의 사고에 심오한 영향을 주고, 우리가 알고 있는 생명의 개념을 뒤흔들 수 있습니다.
바이오신호는 과거 또는 현재, 지능적이거나 무지능적인 모든 생명의 증거입니다. 발자국이나 뼈만이 아니라 화학물질, 생물막, 대기 가스, 멀리서 관측되는 반사 특성까지도 생명의 존재를 나타낼 수 있습니다.
그러나 일부 과학자들은 아메바 이상의 것을 찾고 있습니다. 전 세계 외계 지적 생명체 탐색(SETI) 애호가들은 진보한 문명의 징후인 기술징후에 귀를 기울입니다. 이러한 특정 생명징후에는 전파가 포함될 수 있으며, 우주를 보는 대신 듣는 전파망원경으로 이를 탐지할 수 있습니다.
인공지능이 합류하다
2023년 현재, 연구자들은 테크노신호의 증거를 발견하지 못했습니다. 그러나 그들이 시도하지 않는다는 것을 의미하지는 않습니다. 기계 학습의 새로운 발전은 SETI 분야에 새로운 활력을 불어 넣었습니다.
스탠퍼드의 Fei-Fei Li는 2009년에 1,400만 개가 넘는 레이블이 붙은 이미지로 구성된 Imagenet을 무료로 공개했습니다. 많은 연구자들이 이를 사용하여 자신의 기계 학습 모델을 개발했습니다. 이후 인공지능은 의학, 프로그래밍 등 모든 분야에서 큰 발전을 이루었습니다.
인공지능은 대량의 데이터를 처리하는 데 탁월합니다. 과학자들은 현재 우주에서 생명을 찾는 데 원격 감지 방법을 사용하고 있습니다. 즉, 다른 위성과 행성에서 암석 같은 물리적 표본 대신 정보를 수집하는 것입니다. 그러나 누군가가 이러한 데이터를 분석해야 합니다.
이 작업은 에베레스트 산에서 금을 찾는 것과 비슷합니다. 수작업으로 하는 것은 현실적이지 않습니다. 다행히, 인공지능 소프트웨어는 테크노신호라고 생각되는 신호를 찾을 수 있습니다. 기계 학습 모델은 과거의 신호를 분석하여 미래에 어떤 소리가 날지 예측하여 외계 세계에서 비롯되었을 수 있는 이상 징후를 탐지할 수 있습니다.
엔지니어들은 알고리즘을 대량의 데이터셋으로 훈련시킵니다. 이를 통해 인공지능이 지구에서 발생하는 전파 같은 지상 간섭의 소리를 인식할 수 있습니다. 이를 통해 소프트웨어는 거짓 경보를 필터링할 수 있습니다. 데이터 분석의 도움으로 NASA는 5,400개 이상의 행성을 목록화했습니다. 일부는 생명체가 살 수 있는 환경일 수 있습니다.
실제 적용
2023년 2월, UCLA의 천문학자들은 시민 과학 프로젝트인 Breakthrough Listen을 시작했습니다. 이 프로젝트는 일반인들이 라디오 신호의 이미지를 볼 수 있도록 합니다. 자원봉사자들은 이러한 이미지를 잠재적인 간섭으로 분류하는 데 도움을 주고 있습니다. 이를 통해 웨스트버지니아주 그린 뱅크 천문대의 SETI 데이터를 검토하는 AI 알고리즘을 훈련하는 데 도움을 줍니다.
그린 뱅크는 전자 장치를 사용하지 않는 지역으로 유명합니다. 천문대의 거대한 전파망원경에는 전파 간섭이 없는 환경이 필요하기 때문에 주민들은 Wi-Fi, 전자레인지, 휴대폰 등을 사용할 수 없습니다. 그린 뱅크의 데이터를 UCLA의 인공지능 프로젝트에 내보내면 시민 과학을 통해 우주에서 생명을 찾는 데 도움을 줄 수 있습니다.
SETI 연구소의 연구자들은 칠레 아타카마 사막과 알티플라노에 걸친 염원 살라르 데 파호날레스의 소금 돔, 결정, 암석에 사는 미생물의 분포를 지도화했습니다. 이 염원은 겉으로는 황량해 보여도 실제로는 생명으로 가득한 행성을 연구하기에 좋은 유사 환경이 될 수 있습니다.
연구자들은 Freddie Kalaitzis와 협력하여 인공지능 모델을 훈련시켰습니다. 이를 통해 이 지역에서 생명체의 패턴을 찾을 수 있었습니다. 기계 학습과 통계 생태학을 결합하여 연구자들은 대부분의 바이오신호를 발견할 수 있었습니다. 또한 대부분의 미생물은 물이 더 많이 있는 지역에 집중되어 있음을 발견했습니다.
이러한 인공지능 도구는 드론이나 인공위성 안에 들어가면 다른 행성에서 바이오신호를 감지할 수 있습니다. 연구자들은 이 모델을 더 훈련시키기 위해 다른 지역의 건조한 계곡, 영구동토, 온천을 지도화할 계획입니다. 언젠가 우주 임무에 사용될 수 있을 것입니다.
인공지능의 또 다른 실제 적용은 데이터를 순위에 따라 나열하는 것입니다. 과학자들은 기계 학습을 사용하여 궤도에 유망한 위성이나 행성을 거느릴 가능성이 있는 별의 순위를 매깁니다. 이를 통해 세계에서 가장 큰 단일 접시 라디오 망원경인 중국의 FAST 라디오 망원경을 사용하여 SETI 프로젝트를 수행할 수 있습니다.
인공지능과 우주에서 생명체를 찾는 연구
일부 비판가들은 SETI가 아직 외계 생명체의 증거를 발견하지 못했으므로 시간 낭비라고 주장합니다. 그러나 방대한 데이터를 수집하는 SETI의 방식은 다른 과학 분야에도 이를 따르도록 영감을 주었습니다.
최소한의 경우, SETI는 기계 학습 분야를 발전시키고 많은 사람에게 외계 생명체를 찾는 데 동기를 부여했습니다. 최선의 경우, 이는 역사적인 발견이 될 수 있습니다. 만약 외계에 누군가 또는 무언가가 있다면, SETI 연구자들이 그들의 신호를 가장 먼저 듣게 될 가능성이 큽니다.












