Berta Sándor
Földön kívüli életjelek keresésében segít a mesterséges intelligencia
A gépi tanulási technológiát ma már a tudomány szinte minden területén használják a kutatók. Most a földön kívüli élet keresésében is megjelent.
A rádiócsillagászok egy új algoritmust fejlesztettek ki. A megoldást arra képezték ki, hogy rádióteleszkópok adataiból olyan elemek után kutasson, amelyek nem természetes asztrofizikai folyamatok során keletkeznek. Az eddigi eredmények ígéretesek. Az emberiség évek óta küldözget rádiójeleket az űrbe, abban a reményben, hogy az idegenek válaszolnak. Az úgynevezett technoszignatúrák keresését, vagy röviden SETI-t (Search for Extraterrestrial Intelligence, földönkívüli intelligencia keresése) azonban a tű kereséséhez hasonlítják a kozmikus szénakazalban.
A rádióteleszkópok hatalmas mennyiségű adatot termelnek és milliónyi földi interferenciajelet tartalmaznak, amelyeket például a mobiltelefonok vagy a GPS-jeladók generálnak. Ezeket a jeleket ki kell szűrni, illetve tompítani kell. A kereső algoritmusoknak képesnek kell lenniük arra, hogy gyorsan megkülönböztessék a valódi technoszignatúrákat a hamisaktól. Az új rendszer megfelel ezeknek a követelményeknek és forradalmasíthatja a földön kívüli élet keresését. A mélytanulási algoritmust a Torontói Egyetemen a Peter Xiangyuan Ma által vezetett kutatócsoport alkotta meg és mutatta be. A megoldás máris elérte az első részsikert: amikor a mesterséges intelligenciát egy korábban vizsgált adatsorral etették meg, nyolc olyan érdekes jelet fedezett fel, amelyeket a klasszikus algoritmus korábban figyelmen kívül hagyott.
A magánfinanszírozású Breakthrough Listen kezdeményezés a rádióspektrumban keresi a Földet az űrből érő mesterségesen előállított jeleket, és rendezi az információkat. A Breakthrough Listen adathalmazából a kutatók 820 csillagot választottak ki. Az adatállomány 480 órányi megfigyelési adatot tartalmazott, amelyet az amerikai Robert C. Byrd Green Bank Teleszkóppal készítettek. Az algoritmus - amelyet korábban arra képeztek ki, hogy mesterségesen generált jelek segítségével kiszűrje a szokatlant dolgokat - 115 millió adatrészletet szűrt át.
A képzési adatok létrehozásához Peter Ma szimulált jeleket illesztett valós információkba, majd ezt az adathalmazt az Autoencoder nevű mesterséges intelligencia algoritmus képzésére használta. Miközben az Autoencoder feldolgozta az információkat, "megtanulta" azonosítani a kiemelkedő jellemzőket az adatokban. A zavaró jelek elfedésével a mesterséges intelligencia körülbelül 20 000 jelre csökkentette az adathalmazt. Ezek közül nyolc jel a technoszignatúra jellemzőivel rendelkezett és nem lehetett rádiózavarnak tulajdonítani. A szakemberek szerint az összes korábbi elemzési módszer közel sem lett volna képes ilyen hatékonyan elemezni ezt a hatalmas adathalmazt.
A rádiócsillagászok egy új algoritmust fejlesztettek ki. A megoldást arra képezték ki, hogy rádióteleszkópok adataiból olyan elemek után kutasson, amelyek nem természetes asztrofizikai folyamatok során keletkeznek. Az eddigi eredmények ígéretesek. Az emberiség évek óta küldözget rádiójeleket az űrbe, abban a reményben, hogy az idegenek válaszolnak. Az úgynevezett technoszignatúrák keresését, vagy röviden SETI-t (Search for Extraterrestrial Intelligence, földönkívüli intelligencia keresése) azonban a tű kereséséhez hasonlítják a kozmikus szénakazalban.
A rádióteleszkópok hatalmas mennyiségű adatot termelnek és milliónyi földi interferenciajelet tartalmaznak, amelyeket például a mobiltelefonok vagy a GPS-jeladók generálnak. Ezeket a jeleket ki kell szűrni, illetve tompítani kell. A kereső algoritmusoknak képesnek kell lenniük arra, hogy gyorsan megkülönböztessék a valódi technoszignatúrákat a hamisaktól. Az új rendszer megfelel ezeknek a követelményeknek és forradalmasíthatja a földön kívüli élet keresését. A mélytanulási algoritmust a Torontói Egyetemen a Peter Xiangyuan Ma által vezetett kutatócsoport alkotta meg és mutatta be. A megoldás máris elérte az első részsikert: amikor a mesterséges intelligenciát egy korábban vizsgált adatsorral etették meg, nyolc olyan érdekes jelet fedezett fel, amelyeket a klasszikus algoritmus korábban figyelmen kívül hagyott.
A magánfinanszírozású Breakthrough Listen kezdeményezés a rádióspektrumban keresi a Földet az űrből érő mesterségesen előállított jeleket, és rendezi az információkat. A Breakthrough Listen adathalmazából a kutatók 820 csillagot választottak ki. Az adatállomány 480 órányi megfigyelési adatot tartalmazott, amelyet az amerikai Robert C. Byrd Green Bank Teleszkóppal készítettek. Az algoritmus - amelyet korábban arra képeztek ki, hogy mesterségesen generált jelek segítségével kiszűrje a szokatlant dolgokat - 115 millió adatrészletet szűrt át.
A képzési adatok létrehozásához Peter Ma szimulált jeleket illesztett valós információkba, majd ezt az adathalmazt az Autoencoder nevű mesterséges intelligencia algoritmus képzésére használta. Miközben az Autoencoder feldolgozta az információkat, "megtanulta" azonosítani a kiemelkedő jellemzőket az adatokban. A zavaró jelek elfedésével a mesterséges intelligencia körülbelül 20 000 jelre csökkentette az adathalmazt. Ezek közül nyolc jel a technoszignatúra jellemzőivel rendelkezett és nem lehetett rádiózavarnak tulajdonítani. A szakemberek szerint az összes korábbi elemzési módszer közel sem lett volna képes ilyen hatékonyan elemezni ezt a hatalmas adathalmazt.