پژوهشگران: هوش مصنوعی می‌تواند بشر را به کشف حیات فرازمینی نزدیک‌تر کند

محققان باور دارند که فناوری یادگیری ماشینی یا هوش مصنوعی می‌تواند سرعت جستجو به‌دنبال حیات فرازمینی و بررسی داده‌ها از منابع مختلف را افزایش دهد. تاکنون اصلی‌ترین چالش این حوزه همین بررسی اطلاعات بوده است، اما به‌نظر می‌رسد که یکی از بزرگ‌ترین دردسرهای دانشمندان رو به پایان است.

گروهی از پژوهشگران به‌ رهبری «پیتر ما» از دانشگاه تورنتو به‌تازگی در مقاله‌ای که در مجله Nature Astronomy منتشر شده است، به یک روش یادگیری ماشینی اشاره کرده‌اند که می‌تواند برای جستجو در داده‌های پروژه Breakthrough Listen استفاده شود و سیگنال‌هایی را شناسایی کند که احتمالاً حاوی نشانه‌های حیات هستند. پروژه Breakthrough Listen یکی از پروژه‌های جهانی برای جستجو به‌دنبال حیات بیگانه است.

مطالعه پیتر ما و همکارانش تمرکز خاصی روی طیف الکترومغناطیس یا رادیوی باند باریک دارد. فرکانس‌های رادیویی معمولاً گزینه مناسبی برای ارسال سیگنال محسوب می‌شوند و انتظار می‌رود که اگر یک تمدن بیگانه دیگر در جهان وجود داشته باشد، آن‌ها هم از همین فرکانس استفاده کنند.

جستجو برای حیات فرازمینی بهینه‌تر و سریع‌تر می‌شود

محققان در جستجو به‌دنبال حیات فرازمینی بخش خاصی از این باند رادیویی در محدود دامنه 1420 مگاهرتز را بررسی می‌کنند که با نام خط هیدروژن شناخته می‌شود، چون هیدروژن خنثی در این ناحیه تابش منتشر می‌کند. درنتیجه، اکثر محققان درحال بررسی این باند خاص هستند و الگوریتم‌هایی را برای انجام این کار توسعه داده‌اند.

اما روش جدیدی که در این مقاله مطرح شده است، به‌جای گشتن به‌دنبال خطوط مستقیم در این باند، همان رصد اصلی را به مدل هوش مصنوعی می‌دهد. سپس محققان سیگنال‌های مدنظر خود را شبیه‌سازی می‌کنند و به الگوریتم یاد می‌دهند تا این سیگنال‌ها را پیدا کند.

این روش انعطاف‌پذیری بیشتری دارد و می‌تواند ناهنجاری‌های گاه‌وبیگاه در باند باریک را شناسایی کند، درحالی‌که الگوریتم‌های سنتی قادر به انجام این کار نیستند. به‌علاوه، یادگیری ماشینی می‌تواند سیگنال‌هایی را پیدا کند که شاید دقیقاً شکلی مطابق انتظار مهندسان نداشته باشند.

الگوریتم جدید دانشمندان سریع‌تر و بهینه‌تر است و این ویژگی‌ها می‌تواند شانس کشف حیات فرازمینی را افزایش دهد؛ چرا که محققان معمولاً در این حوزه تلاش می‌کنند بیشترین اطلاعات ممکن را از منابع مختلف گردآوری کنند تا شانس شناسایی سیگنال‌ها را بالاتر ببرند.