重要提示
親愛的讀者朋友，微信又改版啦！如果沒有加星標，或者不常讀我們的文章，我們的文章就不會在您的『訂閱號消息』裡大圖展示，甚至不被推送，太容易錯過了。
ಥ_ಥ
請星標Nature Portfolio，常讀常新不失聯！
原文作者：Alexandra Witze
SETI，一項尋找地外智慧生命的研究項目，正在開發機器學習算法，過濾地球的幹擾並挖掘人類可能錯過的信號。
從西弗吉尼亞州的山丘到澳大利亞的鄉野平原，一些世界上最大的望遠鏡正在監聽來自遙遠外星文明的信號。
尋找外星智能《Search for Extraterrestrial Intelligence，縮寫為 SETI》項目，致力於尋找人造電磁輻射信號——可能來自遙遠恒星系統中的技術先進文明。
1月30日發表的一項研究[1]描述了使用機器學習《人工智能的一個子類》幫助天文學家們從此類搜索所產生的海量數據中快速篩選數據的一項工作。
AI已經重塑了諸多科學領域，它將為尋找地外生命帶來怎樣的願景？
機器學習擅長篩選出可能來自外星人的非常規信號。
來源：Universal Pictures / Allstar / Alamy
『有了機器學習技術，這是SETI研究新紀元的開啟』加利福尼亞州SETI 研究所的行星天文學家Franck Marchis說。
大數據對於SETI來說是一個相對較新的難題。
數十年來，該領域受限於數據量極少。
天文學家Frank Drake於1960年開創了SETI——當時他將位於西弗吉尼亞州格林班克的望遠鏡指向了兩顆恒星監聽無線電信號。
隨後的大多數SETI搜索也僅限於少數恒星。
但在2015年，億萬富翁Yuri Milner在加利福尼亞州伯克利資助了有史以來最大的SETI計劃：『突破聆聽』計劃《Breakthrough Listen》，該計劃旨在搜索一百萬顆恒星以尋找智慧生命的跡象。
該項目利用位於西弗吉尼亞州、澳大利亞和南非的望遠鏡，尋找來自恒星方向且頻率穩定變化的無線電發射信號——若是某顆行星上有外星信號發射器相對地球移動，地球上就能收到此類規律的信號。
數據風暴
問題在於，這些搜索會產生海量數據——包括了手機、GPS和其它現代技術等地球幹擾源產生的誤報。
SETI研究所的天文學家Sofia Sheikh說：『如今我們搜尋SETI信號的最大問題不再是獲取數據——而是區分開來自人類或地球技術的信號，和我們要尋找的來自銀河系其他地方的信號』
位於西弗吉尼亞州的綠灣射電天文望遠鏡《Robert C. Byrd Green Bank Telescope》是在尋找外星文明的幾個望遠鏡之一。
來源：Jim West/Alamy
手動處理這些數以百萬計的觀測數據是不現實的。
一種常見的替代方法是使用算法來尋找與天文學家所預設的外星信標相匹配的信號。
但這些算法可能會忽略與天文學家預期略有不同、然而潛在值得關注的信號。
機器學習有了用武之地。
機器學習算法利用大量數據進行訓練，可以學習識別源自地球的幹擾信號的特征，從而可以極佳地濾除噪音。
被忽略的信號
加州大學伯克利分校的SETI科學家Dan Werthimer說，機器學習也擅長挑選出與傳統模式不符的候選地外信號，而此前的方法可能會忽略這類信號。
加拿大多倫多大學的數學和物理學家、這篇論文的第一作者Peter Ma同意這個說法：『我們不總能預計地外文明會發什麼給我們』
『突破聆聽』使用100米口徑的綠灣射電望遠鏡《Robert C. Byrd Green Bank Telescope》觀測820顆恒星，Ma和他的同事篩選了來自這些恒星的信號。
他們開發了機器學習軟件來分析這些數據：軟件捕獲了近300萬個目標信號，但將大部分歸於來自地球的幹擾並將其移除。
然後，Ma手動檢查了兩萬多個信號，並鎖定了八個有希望的候選信號。
然而搜索最終一無所獲——當研究團隊再次監聽時，所有八個信號都消失了。
但是這些方法可以用於其它數據，例如『突破聆聽』項目於12月啟用MeerKAT陣列《由南非64臺射電望遠鏡組成》帶來的海量觀測數據。
Ma說，機器學習算法還可以用於已存檔的SETI數據，來尋找以前可能被忽視的信號。
SETI公民科學計劃
機器學習也是將於下月啟動的另一項SETI工作的重心。
2月14日，加州大學洛杉磯分校的天文學家啟動一項社區科學項目，其中公眾志願者將對無線電信號圖像進行分類，並歸類其潛在的幹擾類型，以訓練一個機器學習算法搜索從綠灣望遠鏡獲取的SETI數據。
人工智能也有助於SETI流程的其它部分。
Werthimer和他的同事利用機器學習對一項正在進行的SETI項目中的待觀測恒星進行了排名。
該項目使用了世界上最大的單口徑望遠鏡，即中國的500米FAST射電望遠鏡。
然而，加州大學洛杉磯分校的天文學家Jean-Luc Margot說，SETI可能仍會繼續同時使用經典方法和機器學習方法來分類數據。
他說，經典算法在識別候選信號方面仍然表現出色，而機器學習『不是萬用靈丹』。
Werthimer對此表示贊同：『機器幹不了所有事，至少目前還不行』
參考文獻：
1. Ma，P. X. et al. Nature Astron. https://doi.org/10.1038/s41550-022-01872-z (2023).
原文以Will an AI be the first to discover alien life?為標題發表在2023年3月15日《自然》的NEWS EXPLAINER版塊上
© nature
doi: 10.1038/d41586-023-00258-z
點擊文字或圖片閱讀相關文章
版權聲明：
本文由施普林格·自然上海辦公室負責翻譯。
中文內容僅供參考，一切內容以英文原版為準。
歡迎轉發至朋友圈，如需轉載，請郵件[email protected]。
未經授權的翻譯是侵權行為，版權方將保留追究法律責任的權利。
© 2023 Springer Nature Limited. All Rights Reserved
星標我們，記得點贊、在看+轉發哦！