Når vi vurderer sannsynligheten for å oppdage en teknologisk avansert utenomjordisk livet, slik det med jevne mellomrom vises i filmer eller serier, oppstår et logisk spørsmål: "Hvis det eksisterer, hvorfor har vi ikke funnet det ennå?". Og ofte er svaret at vi bare har undersøkt en liten brøkdel av galaksen.
Men en annen grunn kan være utdaterte og ineffektive algoritmer som ble utviklet for flere tiår siden for de første datamaskinene og som ikke kan takle behandlingen av moderne datasett. I en studie som Peter Ma, en bachelorstudent ved University of Toronto, utførte sammen med forskere fra SETI Institute (Search for Extraterrestrial Intelligence, et prosjekt for å søke etter utenomjordisk sivilisasjoner) og andre vitenskapelige institusjoner, brukte teknikken med dyp maskinlæring på et tidligere studert datasett om stjerner i nærheten.
Som et resultat av å bruke sitt eget nevrale nettverk, oppdaget forskere åtte tidligere uidentifiserte signaler. "Totalt analyserte vi 150 TB med data på 820 nærliggende stjerner i settet som ble analysert med klassiske metoder i 2017. Men så bestemte forskerne at den ikke inneholdt interessante signaler, sa Peter Ma. – I dag utvider vi dette søket til 1 million stjerner ved hjelp av et teleskop MeerKAT og ikke bare. Vi tror at slikt arbeid vil bidra til å øke hastigheten på oppdagelsene våre i søken etter å svare på spørsmålet "Er vi alene i universet?".
Søk etter utenomjordiske sivilisasjoner (SETI)-prosjektet ser etter bevis på liv utenfor jorden ved å prøve å oppdage teknosignaturer, eller bevis på teknologi som kan ha blitt utviklet av utenomjordiske sivilisasjoner. Den vanligste metoden er å søke etter radiosignaler.
Radio er en fin måte å sende informasjon over utrolige interstellare avstander. Radiosignaler passere gjennom støvet og gassen som trenger gjennom rommet med lysets hastighet (omtrent 20 XNUMX ganger raskere enn de beste rakettene). Mange SETI-prosjekter bruker antenner for å fange opp alle radiosignaler som teoretisk sett kan overføres av utenomjordiske sivilisasjoner.
Denne studien gjennomgikk data innhentet ved hjelp av av Robert C. Byrd-teleskopet i Green Bank. Målet var å bruke nye dyplæringsteknikker til en klassisk søkealgoritme for å produsere mer nøyaktige resultater. Etter å ha startet en ny algoritme og manuell re-analyse av dataene for å bekrefte resultatene, fant forskerne signaler som hadde flere nøkkelegenskaper:
- Signalene var smalbåndet, det vil si at de hadde en smal spektral bredde, i størrelsesorden flere Hz. Signaler forårsaket av naturfenomener er vanligvis bredbånd
- Signalene hadde en drifthastighet som ikke var null. Signalkilden har en viss akselerasjon i forhold til mottakerne på jorden og er derfor ikke lokal for radioobservatoriet
- Signalene er tydeligvis ikke fra jorden. Signaler fra den himmelske kilden vises når vi retter teleskopet mot målet, og forsvinner når vi flytter det bort. Og radioforstyrrelser knyttet til menneskelig aktivitet vises vanligvis konstant, fordi kilden deres er i nærheten.
Astronomer fra SETI Institute mener at disse resultatene illustrerer kraften i å anvende moderne metoder for maskinlæring og datasyn til databehandling i astronomi, og dette vil føre til nye oppdagelser. Den nye tilnærmingen til analyse kan tillate forskere å mer effektivt forstå dataene de samler inn og handle raskt for å undersøke objekter på nytt.
Siden eksperimentene SETI startet ved Green Bank Observatory i 1960, hjemmet til teleskopet som ble brukt i det siste arbeidet, har fremskritt tillatt forskere å samle inn mer data enn noen gang før. Det store volumet krever nye beregningsverktøy for rask prosessering og analyse for å oppdage anomalier som kan være bevis på utenomjordisk intelligens. Bruken av et nytt nevralt nettverk åpner en ny side i søket etter utenomjordisk liv.
Også interessant: