Når vi overvejer sandsynligheden for at opdage en teknologisk avanceret udenjordisk livet, som det periodisk vises i film eller serier, opstår et logisk spørgsmål: "Hvis det eksisterer, hvorfor har vi så ikke fundet det endnu?". Og ofte er svaret, at vi kun har undersøgt en lille brøkdel af galaksen.
Men en anden grund kan være forældede og ineffektive algoritmer, der blev udviklet for årtier siden til de første computere, og som ikke kan klare behandlingen af moderne datasæt. I en undersøgelse, som Peter Ma, en bachelorstuderende ved University of Toronto, gennemførte sammen med forskere fra SETI Institute (Search for Extraterrestrial Intelligence, et projekt til at søge efter udenjordisk civilisationer) og andre videnskabelige institutioner, anvendte teknikken til dyb maskinlæring på et tidligere undersøgt datasæt om nærliggende stjerner.
Som et resultat af at bruge deres eget neurale netværk opdagede videnskabsmænd otte tidligere uidentificerede signaler. "I alt analyserede vi 150 TB data på 820 nærliggende stjerner i sættet, der blev analyseret med klassiske metoder i 2017. Men så besluttede forskerne, at det ikke indeholdt interessante signaler, sagde Peter Ma. - I dag udvider vi denne søgning til 1 million stjerner ved hjælp af et teleskop meerkat og ikke kun. Vi tror på, at et sådant arbejde vil hjælpe med at accelerere tempoet i vores opdagelser i søgen efter at besvare spørgsmålet "Er vi alene i universet?".
Search for Extraterrestrial Civilizations (SETI)-projektet leder efter beviser på liv hinsides Jorden ved at forsøge at opdage teknosignaturer eller beviser for teknologi, der kan være blevet udviklet af udenjordiske civilisationer. Den mest almindelige metode er at søge efter radiosignaler.
Radio er en fantastisk måde at sende information på tværs af utrolige interstellare afstande. Radiosignaler passere gennem støvet og gassen, der trænger ind i rummet med lysets hastighed (ca. 20 gange hurtigere end de bedste raketter). Mange SETI-projekter bruger antenner til at opfange radiosignaler, som teoretisk set kunne transmitteres af udenjordiske civilisationer.
Denne undersøgelse gennemgik de opnåede data vha af Robert C. Byrd-teleskopet i Green Bank. Målet var at anvende nye deep learning-teknikker til en klassisk søgealgoritme for at producere mere præcise resultater. Efter at have startet en ny algoritme og manuel genanalyse af dataene for at bekræfte resultaterne, fandt forskerne signaler, der havde flere nøglekarakteristika:
- Signalerne var smalbåndede, det vil sige, at de havde en smal spektral bredde i størrelsesordenen adskillige Hz. Signaler forårsaget af naturfænomener er normalt bredbånd
- Signalerne havde en drifthastighed, der ikke var nul. Signalkilden har en vis acceleration i forhold til modtagerne på Jorden og er derfor ikke lokal for radioobservatoriet
- Signalerne er tydeligvis ikke fra Jorden. Signaler fra den himmelske kilde vises, når vi peger teleskopet mod målet, og forsvinder, når vi flytter det væk. Og radiointerferens forbundet med menneskelig aktivitet opstår normalt konstant, fordi deres kilde er i nærheden.
Astronomer fra SETI Institute mener, at disse resultater illustrerer kraften i at anvende moderne metoder til maskinlæring og computersyn til databehandling i astronomi, og dette vil føre til nye opdagelser. Den nye tilgang til analyse kunne give forskere mulighed for mere effektivt at forstå de data, de indsamler, og handle hurtigt for at undersøge objekter igen.
Siden eksperimenterne SETI startede ved Green Bank Observatory i 1960, hjemsted for det teleskop, der blev brugt i det seneste arbejde, har fremskridt gjort det muligt for forskere at indsamle flere data end nogensinde før. Det store volumen kræver nye beregningsværktøjer til hurtig behandling og analyse for at detektere anomalier, der kan være bevis på udenjordisk intelligens. Brugen af et nyt neuralt netværk åbner en ny side i søgen efter udenjordisk liv.
Også interessant: