Οκτώ σήματα ενδιαφέροντος, στο πλαίσιο της έρευνας για τον εντοπισμό ιχνών εξωγήινων πολιτισμών της πρωτοβουλίας Breakthrough Listen, εντοπίστηκαν μέσω της χρήσης μιας νέας μεθόδου εξέτασης δεδομένων μέσω τεχνητής νοημοσύνης.
Όπως ανακοινώθηκε, η πρωτοβουλία ανακοίνωσε στις 30 Ιανουαρίου τα αποτελέσματα της συγκεκριμένης μεθόδου. Σε σχετικό επιστημονικό άρθρο που δημοσιεύτηκε στο Journal Astronomy η ομάδα των ερευνητών ανέλυσε 480 ώρες δεδομένων από το Green Bank Telescope (GBT), αναφέροντας οκτώ σήματα ενδιαφέροντος που προηγουμένως δεν είχαν εντοπιστεί και έχουν συγκεκριμένα χαρακτηριστικά που αναμένονται σε «technosignatures» (ίχνη εξωγήινης τεχνολογίας).
Η έρευνα, της οποίας ηγήθηκε ο Πίτερ Μα, φοιτητής του University of Toronto, ο οποίος είχε αρχίσει να συνεργάζεται με το Breakthrough Listen ενώ ήταν ακόμα στο λύκειο, ταυτοποίησε περίπου 3 εκατομμύρια σήματα σε σαρώσεις820 άστρων που παρατηρήθηκαν από το GBT.
«Το κύριο θέμα με οποιαδήποτε αναζήτηση τεχνοϋπογραφής είναι να εξεταστεί αυτός ο τεράστιος όγκος σημάτων για να βρεθεί η “βελόνα στα άχυρα” που μπορεί να είναι εκπομπή από έναν κόσμο εξωγήινων» εξήγησε ο Dr. Στιβ Κροφτ, αστροφυσικός της ομάδας του Breakthrough Listen στο University of California, Berkeley, και ένας από τους συμβούλους έρευνας του Μα. «Η μεγάλη πλειονότητα των σημάτων που εντοπίζονται από τα τηλεσκόπιά μας προέρχονται από τη δική μας τεχνολογία- δορυφόροι GPS, κινητά τηλέφωνα κτλ. Ο αλγόριθμος του Πίτερ μας δίνει έναν πιο αποτελεσματικό τρόπο να φιλτράρουμε τα “άχυρα” και να βρούμε σήματα που έχουν τα χαρακτηριστικά που περιμένουμε από technosignatures».
Οι κλασικοί αλγόριθμοι για technosignatures συγκρίνουν σαρώσεις όπου το τηλεσκόπιο είναι στραμμένο προς ένα σημείο- στόχο στον ουρανό, με σαρώσεις όπου το τηλεσκόπιο μετακινείται σε κοντινό σημείο προκειμένου να ταυτοποιήσει σήματα τα οποία μπορεί να προέρχονται μόνο από εκείνο το συγκεκριμένο σημείο. Αυτές οι τεχνικές είναι πολύ αποτελεσματικές- για παράδειγμα μπορούν να βρουν το Voyager 1 σε απόσταση 20 δισ. χιλιομέτρων, σε παρατηρήσεις με το GBT. Μα αυτοί οι αλγόριθμοι δυσκολεύονται σε περιοχές με υψηλό συνωστισμό στο ραδιοφάσμα, όπου είναι σαν να προσπαθείς να ακούσεις έναν ψίθυρο σε συνωστισμένο δωμάτιο.
Η τεχνική που ανέπτυξε ο Μα περιλαμβάνει την εισαγωγή προσομοιώσεων σημάτων σε πραγματικά δεδομένα και την εκπαίδευση ενός αλγορίθμου τεχνητής νοημοσύνης (autoencoder) έτσι ώστε να μάθει τις θεμελιώδεις ιδιότητές τους. Αυτό που προκύπτει από την διαδικασία αυτή προωθείται σε έναν δεύτερο αλγόριθμο, γνωστό ως random forest classifier, που μαθαίνει να διακρίνει τα σήματα ενδιαφέροντος από τον «θόρυβο».
«Το 2021 οι κλασικοί μας αλγόριθμοι εντόπισαν ένα σήμα ενδιαφέροντος, το BLC1, σε δεδομένα από το τηλεσκόπιο Parkes» είπε ο Dr. Άντριου Σιεμιόν, Principal Investigator του προγράμματος Breakthrough Listen. «Ο αλγόριθμος του Πίτερ είναι ακόμα πιο αποτελεσματικός στον εντοπισμό τέτοιων σημάτων, Οποιοδήποτε υποψήφιο technosignature πρέπει να επιβεβαιωθεί, ωστόσο, και όταν τα κοιτάξαμε ξανά με το GBT, τα σήματα δεν επανεμφανίστηκαν. Μα εφαρμόζοντας αυτή την τεχνική σε ακόμα μεγαλύτερα datasets, μπορούμε να ταυτοποιούμε αποτελεσματικότερα υποψήφια technosignatures, και ελπίζουμε κάποια στιγμή ακόμα και ένα επιβεβαιωμένο technosignature».