Más datos y aprendizaje automático han impulsado a SETI a toda velocidad

Desde hace más de sesenta años, astrónomos y astrofísicos se dedican a la Búsqueda de Inteligencia Extraterrestre (SETI). Consiste en escuchar otros sistemas estelares en busca de signos de actividad tecnológica (o “tecnofirmas”), como transmisiones de radio. Este primer intento fue en 1960, conocido como Proyecto Ozma, donde el famoso investigador de SETI, el Dr. Frank Drake (padre de la Ecuación de Drake) y sus colegas utilizaron el radiotelescopio del Observatorio Green Bank en Virginia Occidental para realizar un estudio de radio de Tau Ceti. y Épsilon Eridani.

Desde entonces, la gran mayoría de los estudios SETI han buscado de manera similar señales de radio de banda estrecha, ya que son muy buenas para propagarse a través del espacio interestelar. Sin embargo, el mayor desafío siempre ha sido cómo filtrar las transmisiones de radio en la Tierra, también conocido como. interferencias de radiofrecuencia (RFI). En un estudio reciente, un equipo internacional dirigido por el Instituto Dunlap de Astronomía y Astrofísica (DIAA) aplicó un nuevo algoritmo de aprendizaje profundo a los datos recopilados por el Telescopio Green Bank (GBT), que reveló ocho señales prometedoras que serán de interés para Iniciativas SETI como Breakthrough Listen.

Peter Xiangyuan Ma, investigador universitario de la DIAA y del Departamento de Matemáticas y Física de la Universidad de Toronto, dirigió el estudio. A él se unieron investigadores del Laboratorio de Radioastronomía de UC Berkeley, el Centro de Astrofísica Jodrell Bank (JBCA), el Instituto de Ciencias Espaciales y Astronomía, el Centro Internacional de Investigación de Radioastronomía, el Instituto SETI y Breakthrough Initiatives. El artículo que describe sus hallazgos, "Una búsqueda de aprendizaje profundo de tecnofirmas de 820 estrellas cercanas", apareció recientemente en Nature Astronomy.

Eliminar todos los anuncios en Universe hoy

¡Únete a nuestro Patreon por tan solo $3!

Obtén la experiencia sin publicidad de por vida

Las señales de radio de banda estrecha siguen siendo la firma tecnológica más popular y buscada debido a lo bien que se propagan las ondas de radio en el espacio interestelar. Para los investigadores de SETI, el desafío siempre ha sido distinguir entre posibles transmisiones, RFI terrestre y ondas de radio de fuentes cósmicas. Para su estudio, Ma y sus colegas aplicaron un algoritmo de codificador automático variacional beta-convolucional a 820 objetivos únicos observados por el GBT durante 480 horas de observación en el cielo.

"En muchas de nuestras observaciones, hay mucha interferencia", dijo Ma en un comunicado de prensa del Instituto Dunlap. "Necesitamos distinguir las excitantes señales de radio en el espacio de las poco interesantes señales de radio de la Tierra". "En muchas de nuestras observaciones, hay mucha interferencia", dijo Ma en un comunicado de prensa del Instituto Dunlap. "Necesitamos distinguir las excitantes señales de radio en el espacio de las poco interesantes señales de radio de la Tierra".

Ma comenzó a trabajar en este algoritmo cuando todavía estaba en la escuela secundaria, con el que esperaba acelerar SETI al agilizar la búsqueda de firmas tecnológicas. Según Ma, el algoritmo combina dos subtipos de aprendizaje automático (aprendizaje supervisado y no supervisado) que él llama “aprendizaje semi-no supervisado”. Este enfoque implica el uso de técnicas supervisadas para guiar y entrenar el algoritmo para ayudarlo a generalizar (usando técnicas no supervisadas) y encontrar patrones ocultos en los datos con mayor facilidad.

Desde que se unió al Instituto Dunlap, Ma y sus colegas han entrenado el algoritmo utilizando señales simuladas para diferenciar entre señales potenciales que podrían ser de origen extraterrestre y la interferencia generada por humanos. También compararon el algoritmo de Ma con varias aplicaciones de aprendizaje automático, su precisión y tasas de falsos positivos, y utilizaron esa información para crear el producto terminado. “Solo después de la publicación del artículo le dije a mi equipo que todo esto comenzó como un proyecto de la escuela secundaria que mis profesores no apreciaban mucho”, agregó Ma.

Al aplicar este algoritmo a los datos del GBT, descubrieron ocho nuevas señales de radio de interés procedentes de cinco estrellas situadas entre 30 y 90 años luz de la Tierra. Estas señales fueron pasadas por alto en análisis anteriores que no se basaban en el aprendizaje automático. Pero para el equipo SETI, estas señales se consideran notables por dos razones. El Dr. Steve Croft, científico del proyecto Breakthrough Listen en GBT, explicó:

“En primer lugar, están presentes cuando miramos la estrella y ausentes cuando miramos hacia otro lado, a diferencia de la interferencia local, que generalmente siempre está presente. En segundo lugar, las señales cambian de frecuencia con el tiempo de tal manera que parecen alejadas del telescopio. Es un poco como caminar por un camino de grava y encontrar una piedra atrapada en la suela de tu zapato que parece encajar perfectamente”.

Cuando se trata de conjuntos de datos que contienen millones de señales, algunas señales pueden tener ambas características simplemente por pura casualidad. Por esta razón, los investigadores aún no están convencidos de que las señales que observaron representen transmisiones extraterrestres, aunque aparecen como el equipo esperaría. Para empezar, las señales no se encontraron cuando el equipo realizó observaciones de seguimiento con el GBT de las mismas estrellas. Hasta que se realicen más observaciones y las señales se detecten nuevamente, seguirán siendo señales de interés.

La Dra. Cherry Ng, investigadora asociada de la DIAA de la Universidad de Toronto y coautora del artículo, ha estado trabajando en este proyecto con Ma desde el verano de 2020. Según Ng, el aprendizaje automático es muy importante en un campo como SETI, que está cada vez más dominado por big data:

“Al examinar los datos con todas las técnicas, podríamos descubrir señales interesantes. Estoy impresionado por lo bien que ha funcionado este enfoque en la búsqueda de inteligencia extraterrestre. Con la ayuda de la inteligencia artificial, soy optimista en cuanto a que podremos cuantificar mejor la probabilidad de la presencia de señales extraterrestres de otras civilizaciones”.

De cara al futuro, Ma y su equipo esperan actualizar su nuevo algoritmo y aplicarlo a otros observatorios y sus conjuntos de datos. Estos incluyen radiotelescopios como el conjunto MeerKAT en Sudáfrica y el Square Kilometer Array (SKA), que pronto se completará, que combinará el MeerKAT y el Observatorio de Radioastronomía Murchison (MRO) en Australia en un único y potente conjunto. . Con estos y otros instrumentos a su disposición, Ma dice que el equipo planea ampliar su enfoque de aprendizaje automático de manera importante.

"Con nuestra nueva técnica, combinada con la próxima generación de telescopios, esperamos que el aprendizaje automático pueda llevarnos de buscar cientos de estrellas a buscar millones", dijo. "Con nuestra nueva técnica, combinada con la próxima generación de telescopios, esperamos que el aprendizaje automático pueda llevarnos de buscar cientos de estrellas a buscar millones", dijo.

Este nuevo enfoque representa un candidato líder para acelerar SETI y otras investigaciones transitorias en la era de la astronomía basada en datos. Con el tiempo, la investigación SETI podría seguir el ritmo de los descubrimientos de exoplanetas y los estudios de astrobiología, donde cada exoplaneta recién detectado puede examinarse rápidamente en busca de signos de biofirmas y tecnofirmas.

Lectura adicional: Instituto Dunlap, Astronomía de la naturaleza