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).