Kunstig intelligens hjælper med at spore mystiske kosmiske radioudbrud

Kunstig intelligens invaderer mange områder, senest astronomi og søgen efter intelligent liv i universet, eller SETI.

Forskere ved Breakthrough Listen, et SETI-projekt ledet af University of California, Berkeley, har nu brugt maskinlæring til at opdage 72 nye hurtige radioudbrud fra en mystisk kilde omkring 3 milliarder lysår fra Jorden.

Hurtige radioudbrud er lyse impulser af radioemission af blot millisekunders varighed, menes at stamme fra fjerne galakser. Kilden til disse emissioner er stadig uklar, imidlertid. Teorierne spænder fra stærkt magnetiserede neutronstjerner sprængt af gasstrømme fra et nærliggende supermassivt sort hul, til forslag om, at burst-egenskaberne er i overensstemmelse med signaturer af teknologi udviklet af en avanceret civilisation.

"Dette arbejde er spændende, ikke kun fordi det hjælper os med at forstå den dynamiske adfærd af hurtige radioudbrud mere detaljeret, men også på grund af det løfte, det viser for at bruge maskinlæring til at detektere signaler, der savnes af klassiske algoritmer, " sagde Andrew Siemion, direktør for Berkeley SETI Research Center og hovedefterforsker for Breakthrough Listen, initiativet til at finde tegn på intelligent liv i universet.

Breakthrough Listen anvender også den succesfulde maskinlæringsalgoritme til at finde nye slags signaler, der kunne komme fra udenjordiske civilisationer.

Mens de fleste hurtige radioudbrud er enkeltstående, kilden her, FRB 121102, er unik i at udsende gentagne udbrud. Denne adfærd har tiltrukket mange astronomers opmærksomhed i håb om at finde årsagen og den ekstreme fysik involveret i hurtige radioudbrud.

AI-algoritmerne uddybede radiosignalerne fra data blev optaget over en fem-timers periode den 26. august, 2017, af Green Bank Telescope i West Virginia. En tidligere analyse af de 400 terabyte data brugte standard computeralgoritmer til at identificere 21 bursts i den periode. Alle blev set inden for en time, antyder, at kilden veksler mellem perioder med hvile og vanvittig aktivitet, sagde Berkeley SETI postdoc-forsker Vishal Gajjar.

UC Berkeley Ph.D. studerende Gerry Zhang og samarbejdspartnere udviklede efterfølgende en ny, kraftfuld maskinlæringsalgoritme og genanalyserede 2017-dataene, at finde yderligere 72 bursts, der ikke blev opdaget oprindeligt. Dette bringer det samlede antal opdagede udbrud fra FRB 121102 til omkring 300, siden det blev opdaget i 2012.

"Dette arbejde er kun begyndelsen på at bruge disse kraftfulde metoder til at finde radiotransienter, " sagde Zhang. "Vi håber, at vores succes kan inspirere andre seriøse bestræbelser på at anvende maskinlæring til radioastronomi."

Zhangs team brugte nogle af de samme teknikker, som internetteknologivirksomheder bruger til at optimere søgeresultater og klassificere billeder. De trænede en algoritme kendt som et konvolutionelt neuralt netværk til at genkende bursts fundet ved den klassiske søgemetode brugt af Gajjar og samarbejdspartnere, og sæt det derefter løs på datasættet for at finde udbrud, som den klassiske tilgang gik glip af.

Resultaterne har hjulpet med at sætte nye begrænsninger på periodiciteten af ​​impulserne fra FRB 121102, tyder på, at pulserne ikke modtages med et regulært mønster, i det mindste hvis perioden for det mønster er længere end ca. 10 millisekunder. Ligesom mønstrene af impulser fra pulsarer har hjulpet astronomer med at begrænse computermodeller af de ekstreme fysiske forhold i sådanne objekter, de nye målinger af FRB'er vil hjælpe med at finde ud af, hvad der driver disse gådefulde kilder, sagde Siemion.

"Uanset om FRB'er selv til sidst viser sig at være signaturer af udenjordisk teknologi, Breakthrough Listen er med til at skubbe grænserne for et nyt og hastigt voksende område af vores forståelse af universet omkring os, " han tilføjede.

De nye resultater er beskrevet i en artikel, der er godkendt til offentliggørelse i The Astrophysical Journal og tilgængelig til download fra Breakthrough Listen-webstedet.