Наш веб-сайт використовує файли cookie, щоб забезпечити ваш досвід перегляду та відповідну інформацію. Перш ніж продовжувати користуватися нашим веб-сайтом, ви погоджуєтеся та приймаєте нашу політику використання файлів cookie та конфіденційність. cookie та конфіденційність
Пошуки НЛО та слідів прибульців давно займають думки безлічі людей по усьому світу. Окрім фанатів наукової фантастики, для яких розмиті межі віри та фактів, пошуком інопланетян займаються й серйозні вчені, зокрема фахівці SETI (Інститут пошуку позаземного розуму). Заснована в 1984 році SETI поставила своєю місією сканувати небо на наявність радіосигналів, що складаються з неземних "техносигнатур", які можуть походити від інопланетних технологій.
Деталі
Поки що пошуки SETI не дали жодних переконливих результатів, але з приходом у цю сферу машинного навчання та штучного інтелекту все може змінитися.
У новій статті, опублікованій в Nature Astronomy, дослідники дали алгоритму машинного навчання проаналізувати дані телескопа, які були вперше зібрані у 2016 році. Штучний інтелект на основі нейромереж вивчив 480 годин даних з 820 зірок і визначив вісім цікавих сигналів, які попередні алгоритми не виявили.
Пітер Ма є першим автором статті та студентом університету Торонто. Він зазначив, що хоча ШІ застосовувався до радіоданих SETI в минулому, цей новий підхід повністю виводить пошук інопланетян з рук людини. Дослідник зазначає:
Раніше люди вставляли компоненти машинного навчання в різні конвеєри, щоб допомогти з пошуком. Ця ж робота повністю покладається лише на нейронну мережу без будь-яких традиційних алгоритмів, які її підтримують, і дала результати, які традиційні алгоритми не виявили.
Радіодані, що надходять із космосу, є багатим ресурсом, але його також можна легко сплутати з нашими власними земними радіосигналами. Ма заявив, що цікаві сигнали, які витягуються з цього туману, "є вузькосмуговими доплерівськими дрейфовими сигналами, що походять від якогось позаземного джерела". Іншими словами, радіосигнали, які рухаються і потрапляють у певний діапазон частот. Однак питання про те, як ці сигнали можуть змінюватися з часом або на відстані, залишається відкритим.
Пошук цих сигналів у даних може бути схожим на пошук голки в стозі сіна — трудомісткий і виснажливий, але саме тут може допомогти машинне навчання. Ма та його колеги розробили свою нейронну мережу, щоб ідентифікувати та класифікувати те, що вона "думає" про найважливіші характеристики даних SETI, одночасно намагаючись відфільтрувати земні перешкоди.
Крім того, що штучний інтелект вдвічі швидший, ніж традиційні алгоритми, використання нейронної мережі для вивчення даних з космосу також дозволяє створити нестандартне мислення, якого важко досягти продиктованим людиною алгоритмам. Пітер Ма пояснює:
Традиційні алгоритми працюють на основі заданого набору інструкцій, розроблених нами… отже, алгоритм знайде лише те, що ми йому накажемо знайти. Проблема полягає в тому, що природа інопланетного сигналу не зовсім відома... Отже, наш запропонований підхід полягає в тому, щоб просто вивчити його.
Нейронна мережа Ма та його колег змогла знайти вісім унікальних сигналів, прихованих у даних, які потенційно можуть походити з позаземних джерел, але дослідження, щоб підтвердити це, ще не проводилися. І хоча подальший аналіз може підтвердити, що ці джерела не належать до Земних, це не означає, що вчені точно знатимуть, з якою технікою вони пов’язані. За словами дослідника, у найкращому випадку ці сигнали можуть містити вбудовану інформацію про розробку технології або навіть колекцію техносигнатур інопланетної цивілізації, але він та інші вчені на це не розраховують.
Раніше ми публікували відео, де розробник використав штучний інтелект для встановлення зорового контакту й переробив сцени з відомих фільмів. Вийшло дивно, але дуже весело.
