從西弗吉尼亞州的丘陵到澳大利亞鄉村的平原，世界上最大的射電望遠鏡正在傾聽來自遙遠外星文明的訊號。搜尋地外文明計劃（SETI）旨在尋找可能來自遙遠太陽系中技術先進文明的人造電磁輻射訊號。今天發表的一項研究1 描述了幾項使用機器學習（人工智慧（AI）的一個子集）幫助天文學家快速篩選大量調查資料的努力之一。隨著人工智慧 重塑許多科學領域，它對尋找地球以外的生命抱有什麼希望？
“得益於機器學習技術，SETI研究的新時代正在開啟，”加利福尼亞州山景城SETI研究所的行星天文學家弗蘭克·馬爾基斯說。
大資料問題對於SETI來說相對較新。幾十年來，該領域一直受到幾乎沒有任何資料的限制。天文學家弗蘭克·德雷克於1960年率先開展了SETI，當時他將綠岸，西弗吉尼亞州的一架望遠鏡指向兩顆恆星，並監聽無線電傳輸。隨後的大多數SETI搜尋也僅限於少量恆星。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
但在2015年，億萬富翁尤里·米爾納資助了有史以來最大的SETI計劃，位於加利福尼亞州伯克利：突破聆聽專案，旨在搜尋一百萬顆恆星以尋找智慧生命的跡象。該專案使用位於西弗吉尼亞州，澳大利亞和南非的望遠鏡，尋找來自恆星方向並且頻率穩定變化的無線電發射，如果外星發射器位於相對於地球移動的行星上，就會發生這種情況。
資料風暴
問題在於，這些搜尋產生了大量資料，包括來自手機，GPS和現代生活其他方面的地球干擾產生的誤報。
SETI研究所的天文學家索菲亞·謝赫說：“目前，我們在尋找SETI訊號時面臨的最大挑戰不是獲取資料。” “困難的部分是將來自人類或地球技術的訊號與我們正在尋找的來自銀河系其他地方技術的訊號區分開來。”
手動檢查數百萬次觀測是不切實際的。一種常見的替代方法是使用演算法來查詢與天文學家認為外星信標可能看起來相似的訊號。但是這些演算法可能會忽略與天文學家的預期略有不同的潛在有趣訊號。
機器學習應運而生。機器學習演算法在大量資料上進行訓練，並且可以學習識別地球干擾的特徵，從而非常擅長濾除噪聲。
被忽視的訊號
加州大學伯克利分校的SETI科學家丹·沃特海默說，機器學習還擅長識別不屬於傳統類別的候選外星訊號，因此可能被早期方法遺漏。
今天的論文的第一作者，加拿大多倫多大學的數學家和物理學家彼得·馬錶示同意。“我們不能總是預測外星人可能會向我們傳送什麼，”他說。
馬和他的同事篩選了突破聆聽對820顆恆星的觀測結果，這些觀測結果是使用100米羅伯特·C·伯德綠岸射電望遠鏡進行的。他們構建了機器學習軟體來分析資料；這獲得了近三百萬個感興趣的訊號，但大多數被丟棄為基於地球的干擾。然後，馬手動審查了超過20,000個訊號，並將它們縮小到8個有趣的候選訊號。
搜尋最終一無所獲 - 當團隊再次收聽時，所有八個訊號都消失了。但是這些方法可以用於其他資料，例如來自南非MeerKAT 64個射電望遠鏡陣列的大量觀測資料，突破聆聽於12月開始使用該陣列。馬說，機器學習演算法也可以用於存檔的SETI資料，以尋找以前可能被忽視的訊號。
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。 2月14日，加州大學洛杉磯分校（UCLA）的天文學家將啟動一個社群科學專案，公眾志願者將在其中對無線電訊號影像進行排序，並將它們分類為潛在的干擾型別，以訓練機器學習演算法搜尋來自綠岸的SETI資料。
人工智慧還可以幫助SETI過程的其他階段。沃特海默和他的同事使用機器學習來提出恆星排名，以便在正在進行的SETI專案中進行觀察，該專案使用了世界上最大的單口徑射電望遠鏡，即中國的500米FAST射電望遠鏡。
加州大學洛杉磯分校的天文學家讓-呂克·馬爾戈特說，SETI可能會繼續使用經典方法和機器學習方法的混合方法來篩選資料。他說，經典演算法在拾取候選訊號方面仍然非常出色，而機器學習“並非萬能藥”。
本文經許可轉載，並於2023年1月30日首次發表。