La búsqueda de inteligencia extraterrestre, conocida como SETI, es un esfuerzo por encontrar señales de radiación electromagnética de aspecto artificial que podrían provenir de una civilización tecnológicamente avanzada en un sistema solar lejano. Un estudio publicado describe uno de varios esfuerzos para utilizar el aprendizaje automático, un subconjunto de la inteligencia artificial (IA), para ayudar a los astrónomos a filtrar rápidamente la gran cantidad de datos que arrojan tales encuestas. A medida que la IA remodela muchos campos científicos, ¿qué promesa tiene para la búsqueda de vida más allá de la Tierra?
“Es una nueva era para la investigación SETI que se abre gracias a la tecnología de aprendizaje automático”, dice Franck Marchis, astrónomo planetario del Instituto SETI en Mountain View, California.
El problema de los grandes datos es relativamente nuevo para SETI. Durante décadas, el campo estuvo limitado por no tener casi ningún dato. El astrónomo Frank Drake fue pionero en SETI en 1960, cuando apuntó un telescopio en Green Bank, West Virginia, hacia dos estrellas y escuchó las transmisiones de radio. La mayoría de las búsquedas de SETI que siguieron también se limitaron a una pequeña cantidad de estrellas.
Pero en 2015, el multimillonario Yuri Milner financió el programa SETI más grande jamás realizado, en Berkeley, California: el proyecto Breakthrough Listen para buscar señales de vida inteligente en un millón de estrellas. Usando telescopios en West Virginia, Australia y Sudáfrica, el proyecto busca emisiones de radio que provienen de la dirección de una estrella y que cambian constantemente en frecuencia, como sucedería si un transmisor alienígena estuviera en un planeta moviéndose con respecto a la Tierra.
El problema es que estas búsquedas arrojan una gran cantidad de datos, incluidos falsos positivos producidos por la interferencia terrestre de teléfonos móviles, GPS y otros aspectos de la vida moderna.
“El mayor desafío para nosotros en la búsqueda de señales SETI no es en este momento obtener los datos”, dice Sofia Sheikh, astrónoma del Instituto SETI. “La parte difícil es diferenciar las señales de la tecnología humana o de la Tierra del tipo de señales que estaríamos buscando de la tecnología en algún otro lugar de la Galaxia”.
Revisar millones de observaciones manualmente no es práctico. Un enfoque alternativo común es utilizar algoritmos que busquen señales que coincidan con lo que los astrónomos creen que podrían ser las balizas extraterrestres. Pero esos algoritmos pueden pasar por alto señales potencialmente interesantes que son ligeramente diferentes de lo que esperan los astrónomos.
Introduzca el aprendizaje automático. Los algoritmos de aprendizaje automático se entrenan con grandes cantidades de datos y pueden aprender a reconocer características que son características de la interferencia terrestre, lo que los hace muy buenos para filtrar el ruido.
El aprendizaje automático también es bueno para detectar señales extraterrestres candidatas que no entran en las categorías convencionales y, por lo tanto, podrían haber sido pasadas por alto por métodos anteriores, dice Dan Werthimer, científico de SETI en la Universidad de California, Berkeley.
Peter Ma, matemático y físico de la Universidad de Toronto, Canadá, y autor principal del artículo de hoy, está de acuerdo. “No siempre podemos estar anticipando lo que ET podría enviarnos”, dice.
Ma y sus colegas analizaron las observaciones de Breakthrough Listen de 820 estrellas, realizadas con el telescopio Robert C. Byrd Green Bank de 100 metros. Construyeron un software de aprendizaje automático para analizar los datos; esto generó casi tres millones de señales de interés, pero descartó la mayoría como interferencia basada en la Tierra. Luego, Ma revisó manualmente más de 20 000 señales y las redujo a 8 candidatos intrigantes.
La búsqueda finalmente resultó vacía: las ocho señales desaparecieron cuando el equipo escuchó nuevamente. Pero los métodos podrían usarse en otros datos, como una avalancha de observaciones del conjunto MeerKAT de 64 radiotelescopios en Sudáfrica, que Breakthrough Listen comenzó a usar en diciembre. Los algoritmos de aprendizaje automático también podrían usarse en datos SETI archivados, dice Ma, para buscar señales que anteriormente podrían haberse pasado por alto.
El aprendizaje automático también está en el centro de un esfuerzo separado de SETI que se lanzará el próximo mes. El 14 de febrero, astrónomos de la Universidad de California, Los Ángeles (UCLA), lanzarán un proyecto científico comunitario en el que voluntarios del público revisarán imágenes de señales de radio y las clasificarán como posibles tipos de interferencia, para entrenar una máquina. -algoritmo de aprendizaje para buscar datos SETI de Green Bank.
Y la IA puede ayudar con otras etapas del proceso SETI. Werthimer y sus colegas han utilizado el aprendizaje automático para elaborar una clasificación de estrellas que se observarán en un proyecto SETI en curso que utiliza el telescopio de plato único más grande del mundo, el radiotelescopio FAST de 500 metros en China.
Aún así, SETI probablemente continuará usando una combinación de enfoques clásicos y de aprendizaje automático para clasificar los datos, dice Jean-Luc Margot, astrónomo de la UCLA. Los algoritmos clásicos siguen siendo excelentes para detectar señales candidatas y el aprendizaje automático “no es una panacea”, dice.
▲
La búsqueda de inteligencia extraterrestre, conocida como SETI, es un esfuerzo por encontrar señales de radiación electromagnética de aspecto artificial que podrían provenir de una civilización tecnológicamente avanzada en un sistema solar lejano. Un estudio publicado describe uno de varios esfuerzos para utilizar el aprendizaje automático, un subconjunto de la inteligencia artificial (IA), para ayudar a los astrónomos a filtrar rápidamente la gran cantidad de datos que arrojan tales encuestas. A medida que la IA remodela muchos campos científicos, ¿qué promesa tiene para la búsqueda de vida más allá de la Tierra?
“Es una nueva era para la investigación SETI que se abre gracias a la tecnología de aprendizaje automático”, dice Franck Marchis, astrónomo planetario del Instituto SETI en Mountain View, California.
El problema de los grandes datos es relativamente nuevo para SETI. Durante décadas, el campo estuvo limitado por no tener casi ningún dato. El astrónomo Frank Drake fue pionero en SETI en 1960, cuando apuntó un telescopio en Green Bank, West Virginia, hacia dos estrellas y escuchó las transmisiones de radio. La mayoría de las búsquedas de SETI que siguieron también se limitaron a una pequeña cantidad de estrellas.
Pero en 2015, el multimillonario Yuri Milner financió el programa SETI más grande jamás realizado, en Berkeley, California: el proyecto Breakthrough Listen para buscar señales de vida inteligente en un millón de estrellas. Usando telescopios en West Virginia, Australia y Sudáfrica, el proyecto busca emisiones de radio que provienen de la dirección de una estrella y que cambian constantemente en frecuencia, como sucedería si un transmisor alienígena estuviera en un planeta moviéndose con respecto a la Tierra.
El problema es que estas búsquedas arrojan una gran cantidad de datos, incluidos falsos positivos producidos por la interferencia terrestre de teléfonos móviles, GPS y otros aspectos de la vida moderna.
“El mayor desafío para nosotros en la búsqueda de señales SETI no es en este momento obtener los datos”, dice Sofia Sheikh, astrónoma del Instituto SETI. “La parte difícil es diferenciar las señales de la tecnología humana o de la Tierra del tipo de señales que estaríamos buscando de la tecnología en algún otro lugar de la Galaxia”.
Revisar millones de observaciones manualmente no es práctico. Un enfoque alternativo común es utilizar algoritmos que busquen señales que coincidan con lo que los astrónomos creen que podrían ser las balizas extraterrestres. Pero esos algoritmos pueden pasar por alto señales potencialmente interesantes que son ligeramente diferentes de lo que esperan los astrónomos.
Introduzca el aprendizaje automático. Los algoritmos de aprendizaje automático se entrenan con grandes cantidades de datos y pueden aprender a reconocer características que son características de la interferencia terrestre, lo que los hace muy buenos para filtrar el ruido.
El aprendizaje automático también es bueno para detectar señales extraterrestres candidatas que no entran en las categorías convencionales y, por lo tanto, podrían haber sido pasadas por alto por métodos anteriores, dice Dan Werthimer, científico de SETI en la Universidad de California, Berkeley.
Peter Ma, matemático y físico de la Universidad de Toronto, Canadá, y autor principal del artículo de hoy, está de acuerdo. “No siempre podemos estar anticipando lo que ET podría enviarnos”, dice.
Ma y sus colegas analizaron las observaciones de Breakthrough Listen de 820 estrellas, realizadas con el telescopio Robert C. Byrd Green Bank de 100 metros. Construyeron un software de aprendizaje automático para analizar los datos; esto generó casi tres millones de señales de interés, pero descartó la mayoría como interferencia basada en la Tierra. Luego, Ma revisó manualmente más de 20 000 señales y las redujo a 8 candidatos intrigantes.
La búsqueda finalmente resultó vacía: las ocho señales desaparecieron cuando el equipo escuchó nuevamente. Pero los métodos podrían usarse en otros datos, como una avalancha de observaciones del conjunto MeerKAT de 64 radiotelescopios en Sudáfrica, que Breakthrough Listen comenzó a usar en diciembre. Los algoritmos de aprendizaje automático también podrían usarse en datos SETI archivados, dice Ma, para buscar señales que anteriormente podrían haberse pasado por alto.
El aprendizaje automático también está en el centro de un esfuerzo separado de SETI que se lanzará el próximo mes. El 14 de febrero, astrónomos de la Universidad de California, Los Ángeles (UCLA), lanzarán un proyecto científico comunitario en el que voluntarios del público revisarán imágenes de señales de radio y las clasificarán como posibles tipos de interferencia, para entrenar una máquina. -algoritmo de aprendizaje para buscar datos SETI de Green Bank.
Y la IA puede ayudar con otras etapas del proceso SETI. Werthimer y sus colegas han utilizado el aprendizaje automático para elaborar una clasificación de estrellas que se observarán en un proyecto SETI en curso que utiliza el telescopio de plato único más grande del mundo, el radiotelescopio FAST de 500 metros en China.
Aún así, SETI probablemente continuará usando una combinación de enfoques clásicos y de aprendizaje automático para clasificar los datos, dice Jean-Luc Margot, astrónomo de la UCLA. Los algoritmos clásicos siguen siendo excelentes para detectar señales candidatas y el aprendizaje automático “no es una panacea”, dice.
PrisioneroEnArgentina.com
Febrero 11, 2023