SETI是尋找外星智能的，它正在部署機器學習算法，以過濾掉地球的幹擾並發現人類可能錯過的信號。
機器學習擅長挑選可能來自外星人的非常規信號。
學分：環球影業/全明星/阿拉米
從西弗吉尼亞州的山丘到澳大利亞農村的平坦地帶，一些世界上最大的望遠鏡正在監聽來自遙遠的外星文明的信號。
尋找被稱為SETI的外星智能是一項尋找人造電磁輻射信號的努力，這些電磁輻射信號可能來自遙遠太陽系中技術先進的文明。
今天發表的一項研究1描述了使用機器學習《人工智能《AI》的一個子集》來幫助天文學家快速篩選此類調查產生的大量數據的幾種努力之一。
隨著人工智能重塑許多科學領域，它對尋找地球以外的生命有什麼希望？
『這是一個SETI研究的新時代，由於機器學習技術，它正在開放，』加利福尼亞州山景城SETI研究所的行星天文學家Franck Marchis說。
大數據問題對SETI來說相對較新。
幾十年來，該領域受到幾乎沒有任何數據的限制。
天文學家弗蘭克·德雷克《Frank Drake》於1960年開創了SETI，當時他在西弗吉尼亞州格林班克《Green Bank》將望遠鏡指向兩顆恒星並收聽無線電傳輸。
隨後的大多數SETI搜索也僅限於少數恒星。
但在2015年，億萬富翁尤裡·米爾納《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：突破聆聽項目，以尋找一百萬顆恒星的智能生命跡象。
該項目使用西弗吉尼亞州，澳大利亞和南非的望遠鏡，尋找來自恒星方向的無線電發射，並且頻率穩定變化，就像外星發射器在相對於地球移動的行星上一樣。
數據暴風雪
麻煩的是，這些搜索產生了大量的數據——包括來自手機、GPS和現代生活其他方面的地球幹擾產生的誤報。
『我們在尋找SETI信號的最大挑戰不是在這一點上獲取數據，』SETI研究所的天文學家Sofia Sheikh說。
『困難的部分是將來自人類或地球技術的信號與我們從銀河系其他地方的技術中尋找的信號區分開來。
西弗吉尼亞州的羅伯特·C·伯德·綠岸望遠鏡是幫助尋找外星文明的幾個望遠鏡之一。
學分：吉姆·韋斯特/阿拉米
手動進行數百萬次觀察是不切實際的。
一種常見的替代方法是使用算法來尋找與天文學家認為的外星信標可能看起來相匹配的信號。
但這些算法可能會忽略潛在的有趣信號，這些信號與天文學家的預期略有不同。
進入機器學習。
機器學習算法在大量數據上進行訓練，可以學習識別地球幹擾的特征，使它們非常擅長過濾噪聲。
被忽視的信號
機器學習也擅長拾取不屬於傳統類別的候選外星信號，因此早期方法可能會錯過，加州大學伯克利分校的SETI科學家Dan Werthimer說。
加拿大多倫多大學的數學家和物理學家、今天論文的主要作者彼得·馬《Peter Ma》對此表示贊同。
『我們不能總是預測ET可能會給我們發送什麼，』他說。
馬和他的同事們篩選了820顆恒星的突破聆聽觀測結果，這些觀測結果使用100米長的Robert C. Byrd Green Bank望遠鏡進行。
他們構建了機器學習軟件來分析數據;這獲得了近三百萬個感興趣的信號，但大部分被丟棄為地球幹擾。
然後，馬雲手動審查了20，000多個信號，並將其縮小到8個有趣的候選者。
搜索最終結果是空的——當團隊再次聆聽時，所有八個信號都消失了。
但這些方法可以用於其他數據，例如來自南非64臺射電望遠鏡的MeerKAT陣列的大量觀測，Breakthrough Listen於去年<>月開始使用。
Ma說，機器學習算法也可以用於存檔的SETI數據，以尋找以前可能被忽視的信號。
公民SETI
機器學習也是將於下個月啟動的另一項SETI工作的核心。
14月<>日，加州大學洛杉磯分校《UCLA》的天文學家將啟動一個社區科學項目，來自公眾的志願者將對無線電信號的圖像進行分類，並將其歸類為潛在的幹擾類型，以訓練機器學習算法從綠岸搜索SETI數據。
人工智能可以幫助SETI過程的其他階段。
Werthimer和他的同事利用機器學習提出了一個正在進行的SETI項目中要觀測的恒星排名，該項目使用世界上最大的單碟望遠鏡，即中國的500米FAST射電望遠鏡。
盡管如此，SETI可能會繼續使用經典和機器學習方法來對數據進行分類，加州大學洛杉磯分校的天文學家Jean-Luc Margot說。
他說，經典算法在接收候選信號方面仍然非常出色，機器學習『不是靈丹妙藥』。
『機器還不能做到這一切，』Werthimer同意。
《本文轉載自《自然簡報》》
