Содержание
SETI, программа по поиску внеземного разума, использует искусственный интеллект, чтобы отфильтровывать земные помехи и обнаружить сигналы, которые человек может пропустить.
От холмов Западной Вирджинии до равнин сельских районов Австралии некоторые из крупнейших в мире телескопов ищут сигналы от далеких инопланетных цивилизаций. Поиск внеземного разума – так расшифровывается SETI – это попытка найти искусственно созданные сигналы электромагнитного излучения, которые могли бы исходить от технологически развитой цивилизации в далекой звездной системе. В опубликованном исследовании описывается одна из нескольких попыток использовать машинное обучение, подмножество искусственного интеллекта (ИИ), чтобы помочь астрономам быстро просеять массу данных, полученных в ходе таких наблюдений. Поскольку ИИ меняет сегодня многие научные области, какие перспективы он открывает для поиска жизни за пределами Земли?
“Это новая эра для исследований SETI, которая открывается благодаря технологии машинного обучения”. – убежден Франк Марчес, астроном-планетолог из Института SETI в Маунтин-Вью, Калифорния.
Проблема больших данных является относительно новой для SETI. В течение десятилетий эта область была ограничена тем, что у нее этих данных практически не было. Астроном Фрэнсис Дрейк стал пионером SETI в 1960 году, когда направил телескоп в Грин-Бэнк, Западная Вирджиния, на две звезды и прослушал радиосигналы от них. Большинство исследований SETI не были масштабными по причине отсутствия средств на аренду телескопов для прослушивания космоса.
Но в 2015 году миллиардер Юрий Мильнер профинансировал крупнейшую в истории программу SETI в Беркли (Калифорния): проект Breakthrough Listen, направленный на поиск признаков разумной жизни у одного миллиона звезд. Используя телескопы в Западной Вирджинии, Австралии и Южной Африке, проект ищет радиоизлучение, исходящее со стороны звезды и постоянно меняющее частоту, как это было бы, если бы инопланетный передатчик находился на планете, движущейся относительно Земли.
Шквал данных
Проблема заключается в том, что эти поиски дают буквально хаотичный шквал данных – включая ложные срабатывания, вызванные земными помехами от мобильных телефонов, GPS и других аспектов современной жизни.
“Самая большая проблема для нас в поиске сигналов SETI заключается не в получении данных, – говорит София Шейх, астроном из Института SETI. – Трудность заключается в том, чтобы отличить наши собственные техногенные сигналы от от тех, которые мы надеемся обнаружить в другой части Галактики”.
Перебирать миллионы наблюдений вручную непрактично. Распространенный альтернативный подход заключается в использовании алгоритмов, которые ищут сигналы, соответствующие тому, как, по мнению астрономов, могут выглядеть инопланетные маяки. Но эти алгоритмы могут пропустить потенциально интересные сигналы, которые немного отличаются от того, что ожидают астрономы.
На помощь приходит искусственный интеллект. Алгоритмы машинного обучения отрабатывают навыки на больших объемах данных и могут научиться распознавать особенности, характерные для земных помех, что делает их очень хорошим инструментом для отсеивания шума.
Незамеченные сигналы
По словам Дэна Вертимера, ученого SETI из Калифорнийского университета в Беркли, машинное обучение также хорошо подходит для поиска внеземных сигналов-кандидатов, которые не попадают в обычные категории и поэтому могли быть пропущены более ранними методами.
Питер Ма, математик и физик из Университета Торонто (Канада) и ведущий автор исследования, согласен с ним: “Мы не можем предугадать, что могут прислать нам инопланетяне”.
Ма и его коллеги просеяли данные наблюдений 820 звезд, сделанные с помощью 100-метрового телескопа Роберта К. Берда в Грин-Бэнк. Они создали программное обеспечение машинного обучения для анализа данных; в результате было выявлено около трех миллионов сигналов, представляющих интерес, но большинство из них впоследствии были забракованы как земные помехи. Затем ученые вручную проанализировали более 20 000 сигналов и сократили их число до 8 перспективных кандидатов.
В итоге поиски оказались пустыми – все восемь сигналов не подтвердились при повторном прослушивании. Но эти методы могут быть использованы и для других данных, например, потока наблюдений с массива MeerKAT из 64 радиотелескопов в Южной Африке, который Breakthrough Listen начал использовать в декабре. По словам Ма, алгоритмы машинного обучения также могут быть использованы для анализа архивных данных SETI на предмет сигналов, которые ранее могли быть пропущены.
Общественный SETI
Кроме того, машинное обучение легло в основу отдельного проекта SETI, который стартует в феврале 2023 года. 14 февраля астрономы Калифорнийского университета в Лос-Анджелесе (UCLA) запустят научный проект, в рамках которого добровольцы из числа общественности будут сортировать изображения радиосигналов и классифицировать их как потенциальные типы помех, чтобы обучить алгоритм машинного обучения для изучения данных SETI из Грин-Бэнка.
ИИ может помочь и на других этапах процесса SETI. Соучредитель SETI Дэн Вертимер и его коллеги использовали искусственный интеллект для составления рейтинга звезд, которые будут наблюдаться в рамках текущего проекта, в котором используется самый большой в мире телескоп с одной тарелкой – 500-метровый радиотелескоп FAST в Китае.
Без сомнения, SETI продолжит использовать смесь классических подходов и подходов машинного обучения для сортировки данных. Классические (то есть, отбор вручную) алгоритмы по-прежнему отлично справляются с отбором сигналов-кандидатов, а машинное обучение пока что “не является панацеей”.
“Машины пока самостоятельно не могут сделать все это”, – говорит Вертимер.
Читайте также: Инопланетяне, SETI и наследие Фрэнка Дрейка: 1930-2022 гг