从西弗吉尼亚州的丘陵到澳大利亚乡村的平原，世界上最大的射电望远镜正在倾听来自遥远外星文明的信号。搜寻地外文明计划（SETI）旨在寻找可能来自遥远太阳系中技术先进文明的人造电磁辐射信号。今天发表的一项研究1 描述了几项使用机器学习（人工智能（AI）的一个子集）帮助天文学家快速筛选大量调查数据的努力之一。随着人工智能 重塑许多科学领域，它对寻找地球以外的生命抱有什么希望？
“得益于机器学习技术，SETI研究的新时代正在开启，”加利福尼亚州山景城SETI研究所的行星天文学家弗兰克·马尔基斯说。
大数据问题对于SETI来说相对较新。几十年来，该领域一直受到几乎没有任何数据的限制。天文学家弗兰克·德雷克于1960年率先开展了SETI，当时他将绿岸，西弗吉尼亚州的一架望远镜指向两颗恒星，并监听无线电传输。随后的大多数SETI搜索也仅限于少量恒星。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
但在2015年，亿万富翁尤里·米尔纳资助了有史以来最大的SETI计划，位于加利福尼亚州伯克利：突破聆听项目，旨在搜索一百万颗恒星以寻找智慧生命的迹象。该项目使用位于西弗吉尼亚州，澳大利亚和南非的望远镜，寻找来自恒星方向并且频率稳定变化的无线电发射，如果外星发射器位于相对于地球移动的行星上，就会发生这种情况。
数据风暴
问题在于，这些搜索产生了大量数据，包括来自手机，GPS和现代生活其他方面的地球干扰产生的误报。
SETI研究所的天文学家索菲亚·谢赫说：“目前，我们在寻找SETI信号时面临的最大挑战不是获取数据。” “困难的部分是将来自人类或地球技术的信号与我们正在寻找的来自银河系其他地方技术的信号区分开来。”
手动检查数百万次观测是不切实际的。一种常见的替代方法是使用算法来查找与天文学家认为外星信标可能看起来相似的信号。但是这些算法可能会忽略与天文学家的预期略有不同的潜在有趣信号。
机器学习应运而生。机器学习算法在大量数据上进行训练，并且可以学习识别地球干扰的特征，从而非常擅长滤除噪声。
被忽视的信号
加州大学伯克利分校的SETI科学家丹·沃特海默说，机器学习还擅长识别不属于传统类别的候选外星信号，因此可能被早期方法遗漏。
今天的论文的第一作者，加拿大多伦多大学的数学家和物理学家彼得·马表示同意。“我们不能总是预测外星人可能会向我们发送什么，”他说。
马和他的同事筛选了突破聆听对820颗恒星的观测结果，这些观测结果是使用100米罗伯特·C·伯德绿岸射电望远镜进行的。他们构建了机器学习软件来分析数据；这获得了近三百万个感兴趣的信号，但大多数被丢弃为基于地球的干扰。然后，马手动审查了超过20,000个信号，并将它们缩小到8个有趣的候选信号。
搜索最终一无所获 - 当团队再次收听时，所有八个信号都消失了。但是这些方法可以用于其他数据，例如来自南非MeerKAT 64个射电望远镜阵列的大量观测数据，突破聆听于12月开始使用该阵列。马说，机器学习算法也可以用于存档的SETI数据，以寻找以前可能被忽视的信号。
公民SETI
机器学习也是将于下个月启动的另一项SETI工作的核心。 2月14日，加州大学洛杉矶分校（UCLA）的天文学家将启动一个社区科学项目，公众志愿者将在其中对无线电信号图像进行排序，并将它们分类为潜在的干扰类型，以训练机器学习算法搜索来自绿岸的SETI数据。
人工智能还可以帮助SETI过程的其他阶段。沃特海默和他的同事使用机器学习来提出恒星排名，以便在正在进行的SETI项目中进行观察，该项目使用了世界上最大的单口径射电望远镜，即中国的500米FAST射电望远镜。
加州大学洛杉矶分校的天文学家让-吕克·马尔戈特说，SETI可能会继续使用经典方法和机器学习方法的混合方法来筛选数据。他说，经典算法在拾取候选信号方面仍然非常出色，而机器学习“并非万能药”。
本文经许可转载，并于2023年1月30日首次发表。