Als we kijken naar de waarschijnlijkheid van het detecteren van een technologisch geavanceerd buitenaards leven, zoals het periodiek in films of series wordt getoond, rijst een logische vraag: "Als het bestaat, waarom hebben we het dan nog niet gevonden?". En vaak is het antwoord dat we nog maar een klein deel van de melkweg hebben onderzocht.
Maar een andere reden kunnen verouderde en inefficiënte algoritmen zijn die decennia geleden zijn ontwikkeld voor de eerste computers en die de verwerking van moderne datasets niet aankunnen. In een studie die Peter Ma, een niet-gegradueerde student aan de Universiteit van Toronto, samen met wetenschappers van het SETI Institute (Search for Extraterrestrial Intelligence, een project om te zoeken naar buitenaardse beschavingen) en andere wetenschappelijke instellingen, pasten de techniek van deep machine learning toe op een eerder bestudeerde dataset over nabije sterren.
Door hun eigen neurale netwerk te gebruiken, ontdekten wetenschappers acht voorheen niet-geïdentificeerde signalen. "In totaal hebben we 150 TB aan gegevens geanalyseerd over 820 nabije sterren in de set die in 2017 met klassieke methoden werd geanalyseerd. Maar toen besloten wetenschappers dat het geen interessante signalen bevatte, zei Peter Ma. - Vandaag breiden we deze zoektocht uit tot 1 miljoen sterren met behulp van een telescoop MeerKAT en niet alleen. Wij geloven dat dergelijk werk het tempo van onze ontdekkingen zal helpen versnellen in de zoektocht om de vraag "Zijn wij alleen in het universum?" te beantwoorden.
Het Search for Extraterrestrial Civilizations (SETI) -project zoekt naar bewijs van leven buiten de aarde door te proberen technosignaturen te detecteren, of bewijs van technologie die mogelijk is ontwikkeld door buitenaardse beschavingen. De meest gebruikelijke methode is het zoeken naar radiosignalen.
Radio is een geweldige manier om informatie over ongelooflijke interstellaire afstanden te verzenden. Radiosignalen passeren het stof en gas dat de ruimte doordringt met de snelheid van het licht (ongeveer 20 keer sneller dan de beste raketten). Veel SETI-projecten gebruiken antennes om radiosignalen te onderscheppen die in theorie door buitenaardse beschavingen kunnen worden uitgezonden.
Deze studie beoordeelde de verkregen gegevens met behulp van van de Robert C. Byrd-telescoop in Green Bank. Het doel was om nieuwe deep learning-technieken toe te passen op een klassiek zoekalgoritme om nauwkeurigere resultaten te produceren. Na het starten van een nieuwe algoritme en handmatige heranalyse van de gegevens om de resultaten te bevestigen, vonden de wetenschappers signalen met verschillende belangrijke kenmerken:
- De signalen waren smalbandig, dat wil zeggen, ze hadden een smalle spectrale breedte, in de orde van enkele Hz. Signalen veroorzaakt door natuurlijke fenomenen zijn meestal breedbandig
- De signalen hadden een driftsnelheid die niet gelijk was aan nul. De signaalbron heeft enige versnelling ten opzichte van de ontvangers op aarde en is daarom niet lokaal voor het radioobservatorium
- De signalen komen duidelijk niet van de aarde. Signalen van de hemelse bron verschijnen als we de telescoop op het doel richten en verdwijnen als we hem weg bewegen. En radio-interferentie geassocieerd met menselijke activiteit verschijnt meestal constant, omdat hun bron dichtbij is.
Astronomen van het SETI Institute zijn van mening dat deze resultaten de kracht illustreren van het toepassen van moderne methoden van machine learning en computervisie op gegevensverwerking in de astronomie, en dit zal leiden tot nieuwe ontdekkingen. De nieuwe analysebenadering zou onderzoekers in staat kunnen stellen de gegevens die ze verzamelen beter te begrijpen en snel te handelen om objecten opnieuw te onderzoeken.
Sinds de experimenten SETI begon in 1960 bij Green Bank Observatory, de thuisbasis van de telescoop die in het nieuwste werk werd gebruikt, door vooruitgang hebben onderzoekers meer gegevens kunnen verzamelen dan ooit tevoren. Het enorme volume vereist nieuwe computationele hulpmiddelen voor snelle verwerking en analyse om anomalieën te detecteren die het bewijs kunnen zijn van buitenaardse intelligentie. Het gebruik van een nieuw neuraal netwerk opent een nieuwe pagina in de zoektocht naar buitenaards leven.
Ook interessant: