Blogarchiv
Astronomie - Will an KI be the first to discover alien life?

31.01.2023

SETI, the search for extraterrestrial intelligence, is deploying machine-learning algorithms that filter out Earthly interference and spot signals humans might miss.

Wird eine KI die erste sein, die außerirdisches Leben entdeckt?
SETI, die Suche nach außerirdischer Intelligenz, setzt maschinelle Lernalgorithmen ein, die irdische Interferenzen herausfiltern und Signale erkennen, die Menschen übersehen könnten.

alien-kontakt-3

 

From the hills of West Virginia to the flats of rural Australia, some of the world’s largest telescopes are listening for signals from distant alien civilizations. The search for extraterrestrial intelligence, known as SETI, is an effort to find artificial-looking electromagnetic-radiation signals that might have come from a technologically advanced civilization in a far-away solar system. A study published today1 describes one of several efforts to use machine learning, a subset of artificial intelligence (AI), to help astronomers sift quickly through the reams of data such surveys yield. As AI reshapes many scientific fields, what promise does it hold for the search for life beyond Earth?

“It is a new era for SETI research that is opening up thanks to machine-learning technology,” says Franck Marchis, a planetary astronomer at the SETI Institute in Mountain View, California.

The problem of big data is relatively new for SETI. For decades, the field was constrained by having hardly any data at all. Astronomer Frank Drake pioneered SETI in 1960, when he pointed a telescope in Green Bank, West Virginia, towards two stars and listened for radio transmissions. Most of the SETI searches that followed were also limited to a small number of stars.

But in 2015, billionaire Yuri Milner funded the biggest SETI programme ever, in Berkeley, California: the Breakthrough Listen project to search one million stars for signs of intelligent life. Using telescopes in West Virginia, Australia and South Africa, the project looks for radio emissions that come from the direction of a star and that change steadily in frequency, as would happen if an alien transmitter were on a planet moving with respect to Earth.

Von den Hügeln West Virginias bis zu den Ebenen des ländlichen Australiens horchen einige der größten Teleskope der Welt nach Signalen von fernen außerirdischen Zivilisationen. Die Suche nach außerirdischer Intelligenz, bekannt als SETI, ist ein Versuch, künstlich aussehende elektromagnetische Strahlungssignale zu finden, die von einer technologisch fortgeschrittenen Zivilisation in einem weit entfernten Sonnensystem stammen könnten. Eine heute veröffentlichte Studie1 beschreibt eine von mehreren Bemühungen, maschinelles Lernen, eine Teilmenge der künstlichen Intelligenz (KI), zu nutzen, um Astronomen dabei zu helfen, die Unmengen von Daten, die solche Umfragen liefern, schnell zu sichten. Da die KI viele wissenschaftliche Bereiche neu gestaltet, welches Versprechen hält sie für die Suche nach Leben jenseits der Erde?

„Es ist eine neue Ära für die SETI-Forschung, die sich dank maschineller Lerntechnologie eröffnet“, sagt Franck Marchis, ein Planetenastronom am SETI-Institut in Mountain View, Kalifornien.

Das Problem Big Data ist für SETI relativ neu. Jahrzehntelang war das Feld dadurch eingeschränkt, dass es kaum Daten gab. Der Astronom Frank Drake war der Pionier von SETI im Jahr 1960, als er ein Teleskop in Green Bank, West Virginia, auf zwei Sterne richtete und auf Funkübertragungen lauschte. Die meisten der folgenden SETI-Suchen beschränkten sich ebenfalls auf eine kleine Anzahl von Sternen.

Aber 2015 finanzierte der Milliardär Yuri Milner das größte SETI-Programm aller Zeiten in Berkeley, Kalifornien: das Breakthrough Listen-Projekt, um eine Million Sterne nach Anzeichen intelligenten Lebens zu durchsuchen. Unter Verwendung von Teleskopen in West Virginia, Australien und Südafrika sucht das Projekt nach Radioemissionen, die aus der Richtung eines Sterns kommen und deren Frequenz sich stetig ändert, wie es passieren würde, wenn sich ein außerirdischer Sender auf einem Planeten befände, der sich relativ zur Erde bewegt.

Data blizzard

The trouble is that these searches yield a blizzard of data — including false positives produced by Earthly interference from mobile phones, GPS and other aspects of modern life.

“The biggest challenge for us in looking for SETI signals is not at this point getting the data,” says Sofia Sheikh, an astronomer at the SETI Institute. “The difficult part is differentiating signals from human or Earth technology from the kind of signals we’d be looking for from technology somewhere else out in the Galaxy.”

Datensturm
Das Problem ist, dass diese Suchen einen Schneesturm von Daten liefern – einschließlich falsch positiver Ergebnisse, die durch irdische Interferenzen von Mobiltelefonen, GPS und anderen Aspekten des modernen Lebens erzeugt werden.

„Die größte Herausforderung für uns bei der Suche nach SETI-Signalen besteht derzeit nicht darin, die Daten zu erhalten“, sagt Sofia Sheikh, Astronomin am SETI-Institut. „Der schwierige Teil besteht darin, Signale von menschlicher oder irdischer Technologie von der Art von Signalen zu unterscheiden, nach denen wir von einer Technologie irgendwo anders draußen in der Galaxis suchen würden.“

d41586-023-00258-z-23960256

The Robert C. Byrd Green Bank Telescope in West Virginia is one of several helping to look for alien civilizations.Credit: Jim West/Alamy

 

Going through millions of observations manually isn’t practical. A common alternative approach is to use algorithms that look for signals matching what astronomers think alien beacons could look like. But those algorithms can overlook potentially interesting signals that are slightly different from what astronomers are expecting.

Enter machine learning. Machine-learning algorithms are trained on large amounts of data and can learn to recognize features that are characteristic of Earthly interference, making them very good at filtering out the noise.

Overlooked signals

Machine learning is also good at picking up candidate extraterrestrial signals that don’t fall into conventional categories and so might have been missed by earlier methods, says Dan Werthimer, a SETI scientist at the University of California, Berkeley.

Peter Ma, a mathematician and physicist at the University of Toronto, Canada, and lead author of today’s paper, agrees. “We can’t always be anticipating what ET might send to us,” he says.

Ma and his colleagues sifted through Breakthrough Listen observations of 820 stars, made using the 100-metre Robert C. Byrd Green Bank Telescope. They built machine-learning software to analyse the data; this netted nearly three million signals of interest but discarded most as Earth-based interference. Ma then manually reviewed more than 20,000 signals and narrowed them down to 8 intriguing candidates.

The search ultimately came up empty — all eight signals disappeared when the team listened again. But the methods could be used on other data, such as a flood of observations from the MeerKAT array of 64 radio telescopes in South Africa, which Breakthrough Listen began using in December. The machine-learning algorithms could also be used on archived SETI data, says Ma, to seek signals that might previously have been overlooked.

Citizen SETI

Machine learning is also at the heart of a separate SETI effort that will launch next month. On 14 February, astronomers at the University of California, Los Angeles (UCLA), will launch a community-science project in which volunteers from the public will sort through images of radio signals and classify them as potential types of interference, to train a machine-learning algorithm to search SETI data from Green Bank.

And AI can help with other stages of the SETI process. Werthimer and his colleagues have used machine learning to come up with a ranking of stars to be observed in an ongoing SETI project that uses the world’s largest single-dish telescope, the 500-metre FAST radio telescope in China.

Still, SETI will probably continue to use a mixture of classical and machine-learning approaches to sort through data, says Jean-Luc Margot, an astronomer at UCLA. Classical algorithms remain excellent at picking up candidate signals, and machine learning is “not a panacea”, he says.

“The machines can’t do it all, yet,” agrees Werthimer.

 

Das manuelle Durchgehen von Millionen von Beobachtungen ist nicht praktikabel. Ein gängiger alternativer Ansatz besteht darin, Algorithmen zu verwenden, die nach Signalen suchen, die mit dem übereinstimmen, was Astronomen von außerirdischen Leuchtfeuern erwarten. Aber diese Algorithmen können potenziell interessante Signale übersehen, die sich geringfügig von dem unterscheiden, was Astronomen erwarten.

Geben Sie maschinelles Lernen ein. Algorithmen für maschinelles Lernen werden auf große Datenmengen trainiert und können lernen, Merkmale zu erkennen, die für irdische Störungen charakteristisch sind, wodurch sie das Rauschen sehr gut herausfiltern können.

Übersehene Signale
Maschinelles Lernen ist auch gut darin, mögliche außerirdische Signale aufzuspüren, die nicht in herkömmliche Kategorien fallen und daher von früheren Methoden möglicherweise übersehen wurden, sagt Dan Werthimer, ein SETI-Wissenschaftler an der University of California, Berkeley.

Peter Ma, Mathematiker und Physiker an der University of Toronto, Kanada, und Hauptautor der heutigen Abhandlung, stimmt dem zu. „Wir können nicht immer vorhersehen, was ET uns schicken könnte“, sagt er.

Ma und seine Kollegen durchsuchten Breakthrough Listen-Beobachtungen von 820 Sternen, die mit dem 100-Meter-Teleskop Robert C. Byrd Green Bank gemacht wurden. Sie bauten Software für maschinelles Lernen, um die Daten zu analysieren; Dies führte zu fast drei Millionen interessanten Signalen, die meisten wurden jedoch als erdbasierte Interferenzen verworfen. Ma überprüfte dann manuell mehr als 20.000 Signale und grenzte sie auf 8 interessante Kandidaten ein.

Die Suche verlief schließlich ergebnislos – alle acht Signale verschwanden, als das Team erneut zuhörte. Aber die Methoden könnten auf andere Daten angewendet werden, wie zum Beispiel eine Flut von Beobachtungen aus dem MeerKAT-Array von 64 Radioteleskopen in Südafrika, die Breakthrough Listen im Dezember zu verwenden begann. Die maschinellen Lernalgorithmen könnten auch auf archivierte SETI-Daten angewendet werden, sagt Ma, um nach Signalen zu suchen, die zuvor möglicherweise übersehen wurden.

Bürger SETI
Maschinelles Lernen steht auch im Mittelpunkt einer separaten SETI-Bemühung, die nächsten Monat starten wird. Am 14. Februar starten Astronomen der University of California, Los Angeles (UCLA), ein Community-Science-Projekt, bei dem Freiwillige aus der Öffentlichkeit Bilder von Funksignalen sortieren und sie als potenzielle Arten von Interferenzen klassifizieren, um eine Maschine zu trainieren -Lernalgorithmus zum Suchen von SETI-Daten von Green Bank.

Und KI kann bei anderen Phasen des SETI-Prozesses helfen. Werthimer und seine Kollegen haben maschinelles Lernen verwendet, um eine Rangliste der Sterne zu erstellen, die in einem laufenden SETI-Projekt beobachtet werden sollen, das das weltweit größte Einschalenteleskop, das 500-Meter-FAST-Radioteleskop in China, verwendet.

Dennoch wird SETI wahrscheinlich weiterhin eine Mischung aus klassischen und maschinellen Lernansätzen verwenden, um Daten zu sortieren, sagt Jean-Luc Margot, Astronom an der UCLA. Klassische Algorithmen sind nach wie vor hervorragend darin, Kandidatensignale zu erkennen, und maschinelles Lernen ist „kein Allheilmittel“, sagt er.

„Die Maschinen können noch nicht alles“, stimmt Werthimer zu.

Quelle: nature

 

273 Views
Raumfahrt+Astronomie-Blog von CENAP 0