Kan maskininlärning finna liv därute ”om nu det finns något liv därute”.

 

Maskininlärning (engelska: machine learning) är ett område inom artificiell intelligens inom datavetenskap. Det handlar om metoder för att med data "träna" datorer att upptäcka och "lära" sig regler för att lösa en uppgift utan att datorerna har programmerats med regler för uppgiften.

Då man funderar över sannolikheten av att upptäcka tekniskt avancerat utomjordiskt liv därute vilket försökts länge nu är frågan varför vi inget finner. En del ser det som att vi haft oturen att inte söka på rätt plats eller att vi sökt på fel plats.  

Nu har ny forskning publicerad i Nature Astronomy under ledning av en grundstudent vid University of Toronto, Peter Ma, tillsammans med forskare vid SETI Institute, Breakthrough Listen och vetenskapliga forskningsinstitutioner runt om i världen, tillämpat en djupinlärningsteknik på ett tidigare studerat dataset av näraliggande stjärnor och avslöjat åtta tidigare oidentifierade signaler som kan vara intressanta  att analysera.

"Totalt har vi sökt igenom 150 TB data från 820 närliggande stjärnor av ett dataset som 2017 sökts igenom  med klassisk teknik men som då konstaterades innehålla ointressanta signaler", säger Peter Ma och tillägger. Vi ökar nu denna sökinsats till 1 miljon stjärnor med hjälp av MeerKAT-teleskopet i Sydafrika. 

Vi tror att arbetet med MerrKat kommer att bidra till att påskynda möjligheten för svar i vårt försök att svara på frågan 'om vi är vi ensamma i universum?'"

Sökandet efter utomjordisk intelligens (som SETI) letar efter bevis på utomjordisk intelligens bortom jorden genom att försöka upptäcka teknosignaturer eller andra tecken på teknik från främmande civilisationer. Det vanligaste är att söka efter radiosignaler. Radiosignaler är ett utmärkt sätt att skicka information mellan stjärnorna; signalen passerar snabbt genom det damm och den gas som genomsyrar rymden  med ljusets hastighet. SETI-projektet använder antenner för att avlyssna alla radiosignalfrekvenser som utomjordingar kan antas ha sändning på.

I studien undersöktes data från Green Bank Telescope i West Virginia som en del av en Breakthrough Listen-kampanj som ursprungligen inte visat något av intresse. Målet var att tillämpa nya djupinlärningstekniker med hjälp av en klassisk sökalgoritm för att ge snabba och mer exakta resultat. Signalerna var på kortvågsbandet vilket betyder att de hade kort spektralbredd, i storleksordningen bara några Hz. Signaler orsakade av naturfenomen tenderar att ske på bredbandsfrekvenser.

Signalerna hade icke-noll drifthastigheter, vilket innebär att signalerna hade en lutning. Sådana lutningar kan indikera att en signals ursprung hade en viss relativ acceleration till våra mottagare, alltså inte lokalt är brus från radioobservatoriet.

Signalerna förekom i observationer av källan och inte i observationer utanför källan. Om en signal kommer från en specifik himmelsk källa visas den då teleskop riktas mot målet och försvinner när teleskopet riktas från källan. Mänsklig radiostörning uppträder vanligtvis i ON- och OFF- observationer på grund av att källan är i närheten.

Cherry Ng, en annan av Ma: s forskningsrådgivare och astronom vid både SETI-institutet och det franska nationella centret för vetenskaplig forskning, sa i ett uttalade: "Dessa resultat illustrerar dramatiskt kraften i att tillämpa moderna maskininlärnings- och datorvisionsmetoder inom astronomi som kan resultera i nya upptäckter och ge högre prestanda. Tillämpningen av dessa tekniker i stor skala kommer att vara omvälvande för radioteknosignaturvetenskapen."

Vi får se vad som finns därute. Kanske en överraskning kanske ingenting alls (min anm.).

Denna forskning är publicerad i Nature Astronomy och kan hittas här. 

Bilden från vikipedia visar hur djupinlärning är en underkategori av maskininlärning och hur maskininlärning är en underkategori av artificiell intelligens (AI).