Файл: vecteezy
Деятельность исследователей по поиску внеземного разума, либо SETI (search for extraterrestrial intelligence) ускоряется и становится проще благодаря развитию машинного обучения.
В статье, опубликованной на прошлой неделе в Nature Astronomy, команда исследователей во главе с Питером Ма из Университета Торонто поделилась методом машинного обучения для просмотра данных из проекта Breakthrough Listen для идентификации сигналов, потенциально являющихся техносигнатурами — то есть, индикаторами технологической сложности, которые могут свидетельствовать о разумной инопланетной цивилизации.
Исследование Ма сконцентрировано на определенной части электромагнитного спектра, которая называется узкополосным радио. В то время как все виды объектов во Вселенной излучают радиацию в широком диапазоне частот, радиочастоты особенно эффективны для передачи сигналов. И когда мы разговариваем с помощью радиоволн, то используем узкую полосу радиочастот, так как это эффективнее.
Исследователи SETI полагают, что инопланетные цивилизации, если они существуют, делали бы то же самое. Господин Ма говорит, что с точки зрения технологии для любой разумной цивилизации, которая также пытается передавать сигналы через электромагнитное излучение, например, через радио, имеет смысл использовать именно узкие диапазоны.
Исследователи SETI интересуются отдельной частью радиодиапазона — около 1420 МГц. Этот диапазон, известный как «водородная линия», важен для астрономов, потому что это частота, на которой испускает излучение нейтральный водород, потому это ключ к изучению разнообразных астрономических целей.
Исследователи полагают, что любая инопланетная цивилизация, которая интересуется звездами, также с высокой долей вероятности будет смотреть на этот диапазон, что делает его так называемым «галактическим водопоем».
Если бы цивилизация пыталась общаться через космос, лучшей идеей было бы, пожалуй, использование данной частоты.
Осознание этого факта являлось основой для многих исследований SETI в предыдущие годы: исследователи прочесывали данные в этом диапазоне часто с использованием алгоритма под названием turboSETI, который просматривает графики времени по частоте и ищет прямые линии, указывающие на наличие сигнала. Это довольно эффективный способ поиска признаков искусственных сигналов в большой массе данных, но он также имеет проблемы, например, отфильтровывание ложных положительных результатов, вызванных вмешательством в поиск сигналов земного происхождения.
Новый же метод использует другой подход. Вместо того, чтобы искать эти прямые линии, исследователи ввели прежние оригинальные наблюдения, а потом смоделировали интересующие их сигналы, и научили свой алгоритм распознавать эти сигналы для поиска в массе новых данных.
Это позволяет использовать более гибкий подход к распознаванию сигналов, обнаруживая аномалии в узких частотах, даже если они не имеют простой формы линии, которую отмечал бы традиционный алгоритм. Данный подход является более быстрым и эффективным.
Это важно, так как SETI — это, по сути, игра цифр: задача в том, чтобы получить как можно большее количество данных из как можно большего количества телескопов, чтобы увеличить шансы на обнаружение сигнала иноземного происхождения. Прочесывание всех этих данных практически представляет собой поиск иглы в космическом стоге сена и требует все более эффективных методов поиска.
Так, исследователи могут посвятить всю свою карьеру поиску чего-то, что может существовать, а может и не существовать. Такие новые инструменты, как мощные телескопы и методы машинного обучения, могут помочь сделать поиск более точным и четким.
Питер Ма, не скрывая восхищения, говорит, что для человека еще не было лучшего времени в истории для поиска внеземных цивилизаций. Наряду с возможностью никогда не найти жизнь за пределами нашей планеты существует также немалая вероятность того, что уже завтра исследователи обнаружат сигнал или даже доказательства существования инопланетной цивилизации, которые уже могут присутствовать в огромных объемах данных, собранных за десятилетия прослушивания неба.
И сегодняшний скачок в развитии машинного обучения и нейронных сетей может помочь сделать работу гораздо быстрее.
