Машинное обучение выявляет 8 потенциальных техно сигналов.

У людей есть пять новых зацепок в поисках жизни за пределами нашей Солнечной системы.

Ученые пытаются ответить на вопрос: "Одиноки ли мы во Вселенной?" мы использовали новую технику машинного обучения, чтобы обнаружить восемь ранее не обнаруженных "сигналов интереса" примерно от пяти близлежащих звезд. Команда применила алгоритм к ранее изученным данным, собранным телескопом Green Bank в Западной Вирджинии в рамках кампании, проводимой Breakthrough Listen, частной инициативой по поиску 1 миллиона близлежащих звезд, 100 близлежащих галактик и плоскости Млечного пути в поисках признаков технологически развитой жизни.

И проект почти не состоялся. "Я сказал своей команде только после публикации статьи, что все началось как школьный проект, который мои учителя не оценили", - говорится в заявлении первого автора Питера Ма, ныне студента бакалавриата Университета Торонто в Канаде.

Это не первый случай, когда компьютерные алгоритмы используются для поиска на просторах космоса "техно сигналов", технологически генерируемых сигналов, которые могут указывать на другие развитые внеземные цивилизации.

Это не первый случай, когда компьютерные алгоритмы используются для поиска на просторах космоса "техносигналов", технологически генерируемых сигналов, которые могут указывать на другие развитые внеземные цивилизации.

Однако, поскольку многие алгоритмы, используемые для анализа данных телескопа, были разработаны десятилетия назад для ранних цифровых компьютеров, они часто устарели и неэффективны при применении к массивным наборам данных, генерируемым современными обсерваториями.

Эти классические алгоритмы использовались для изучения данных телескопа Green Bank, и эта неэффективность может быть причиной того, что эти данные изначально не указывали на какие-либо сигналы, представляющие интерес в 2017 году, когда ученые первоначально изучали их. В целом исследователи проанализировали 150 терабайт данных, представляющих наблюдения 820 близлежащих звезд, хотя они хотят применить алгоритм к еще большему количеству данных.

"Благодаря нашей новой технологии в сочетании с телескопами следующего поколения мы надеемся, что машинное обучение поможет нам перейти от поиска сотен звезд к поиску миллионов", - говорится в заявлении Ма.

Исследователи обнаружили, что ключевой силой нового алгоритма была организация данных с телескопов по категориям, что позволило им отличать реальные сигналы от "шума" или помех. Хотя телескопы, участвующие в поиске техно сигналов, расположены в районах земного шара, где помехи от человеческих технологий, таких как сотовые телефоны, минимальны, эти сигналы все еще улавливаются. (Большинство программ SETI сосредоточены на радиоволнах, потому что они могут перемещаться со скоростью света на огромные расстояния, в основном не встречая препятствий, таких как межзвездные пылевые облака; к сожалению, те же характеристики сделали радиоволны краеугольным камнем человеческого общения на Земле.)

"Во многих наших наблюдениях присутствует много помех", - сказала Ма. "Нам нужно отличать захватывающие радиосигналы в космосе от неинтересных радиосигналов с Земли".

Чтобы убедиться, что новый алгоритм не был сбит с толку сигналами, поступающими с Земли, Ма и команда обучили свои инструменты машинного обучения определять разницу между помехами, создаваемыми человеком, и потенциальными внеземными сигналами. Они протестировали ряд алгоритмов, определив точность каждого алгоритма и частоту ложных срабатываний.

Ссылка Подробнее ➤