Kunstig intelligens hjælper med at forudsige sandsynligheden for liv på andre verdener

Udviklingen inden for kunstig intelligens kan hjælpe os med at forudsige sandsynligheden for liv på andre planeter, ifølge nyt arbejde fra et team baseret på Plymouth University. Undersøgelsen bruger kunstige neurale netværk (ANN'er) til at klassificere planeter i fem typer, estimering af en sandsynlighed for liv i hvert tilfælde, som kunne bruges i fremtidige interstellare efterforskningsmissioner. Værket præsenteres på European Week of Astronomy and Space Science (EWASS) i Liverpool den 4. april af Christopher Bishop.

Kunstige neurale netværk er systemer, der forsøger at replikere den måde, den menneskelige hjerne lærer på. De er et af de vigtigste værktøjer, der bruges i maskinlæring, og er særligt gode til at identificere mønstre, der er for komplekse til, at en biologisk hjerne kan bearbejde.

Holdet, baseret på Center for Robotics and Neurale Systemer ved Plymouth University, har trænet deres netværk til at klassificere planeter i fem forskellige typer, baseret på om de ligner den nuværende Jord, den tidlige jord, Mars, Venus eller Saturns måne Titan. Alle fem af disse objekter er stenede kroppe, der vides at have atmosfærer, og er blandt de mest potentielt beboelige objekter i vores solsystem.

hr. biskop kommenterer, "Vi er i øjeblikket interesserede i disse ANN'er for at prioritere udforskning af en hypotetisk, intelligent, interstellare rumskib, der scanner et exoplanetsystem inden for rækkevidde. "

Han tilføjer, "Vi ser også på brugen af ​​store arealer, deployerbar, plane Fresnel-antenner for at få data tilbage til Jorden fra en interstellar sonde på store afstande. Dette ville være nødvendigt, hvis teknologien bruges i robot-rumfartøjer i fremtiden."

Atmosfæriske observationer - kendt som spektre - af de fem solsystemlegemer præsenteres som input til netværket, som derefter bliver bedt om at klassificere dem i form af planettypen. Da livet i øjeblikket kun vides at eksistere på Jorden, klassifikationen anvender en 'sandsynlighed for liv'-metrik, som er baseret på de relativt velforståede atmosfæriske og orbitale egenskaber for de fem måltyper.

Bishop har trænet netværket med over hundrede forskellige spektralprofiler, hver med flere hundrede parametre, der bidrager til beboelighed. Indtil nu, netværket klarer sig godt, når det præsenteres for en testspektral profil, som det ikke har set før.

"I betragtning af de hidtidige resultater, denne metode kan vise sig at være ekstremt nyttig til at kategorisere forskellige typer exoplaneter ved hjælp af resultater fra jordbaserede og jordnære observatorier," siger Dr. Angelo Cangelosi, vejleder for projektet.

Teknikken kan også være ideel til at vælge mål til fremtidige observationer, givet den stigning i spektrale detaljer, der forventes fra kommende rummissioner, såsom ESA's Ariel Space Mission og NASA's James Webb Space Telescope.