ولتصفية الضوضاء غير المرغوب فيها وتحديد الإشارات المثيرة للاهتمام، استخدم الباحثون خوارزمية تعلم الآلة تسمى الشبكة العصبية التلافيفية (CNN). تعد شبكات CNN نوعًا من الشبكات العصبية الاصطناعية التي يمكنها التعرف على أنماط البيانات، مثل الصور أو الموجات الصوتية
تلعب خوارزميات التعلم الآلي دورًا متزايد الأهمية في البحث عن حياة خارج كوكب الأرض. في الآونة الأخيرة، طور الباحثون خوارزمية جديدة للتعلم الآلي أتاحت لهم التعرف بأثر رجعي على الإشارات المثيرة للاهتمام التي لم يتم اكتشافها سابقًا.
الدراسة التي نشرت في مجلة الفيزياء الفلكية، قادها باحثون من جامعة مانشستر ومبادرة Breakthrough الاستماع، المخصصة للبحث عن حياة ذكية خارج الأرض. واستخدم الباحثون بيانات من تلسكوب جرين بانك في ولاية فرجينيا الغربية وتلسكوب باركس في أستراليا، وهما من أكبر التلسكوبات الراديوية في العالم.
التلسكوبات الراديوية هي أدوات قوية يمكنها اكتشاف موجات الراديو المنبعثة من الأجسام الموجودة في الفضاء. يمكن أن توفر هذه الموجات معلومات قيمة حول خصائص وسلوك الأجرام السماوية، بما في ذلك العلامات المحتملة للحياة. ومع ذلك، غالبًا ما تكون الإشارات الراديوية القادمة من الفضاء ملوثة بالتداخل من مصادر مختلفة، مثل الظواهر الطبيعية والتقنيات التي من صنع الإنسان، وحتى الإرسال اللاسلكي من الأرض.
ولتصفية الضوضاء غير المرغوب فيها وتحديد الإشارات المثيرة للاهتمام، استخدم الباحثون خوارزمية تعلم الآلة تسمى الشبكة العصبية التلافيفية (CNN). تعد شبكات CNN نوعًا من الشبكات العصبية الاصطناعية التي يمكنها التعرف على أنماط البيانات، مثل الصور أو الموجات الصوتية.
وقام الباحثون بتدريب CNN على مجموعة بيانات مكونة من 590 ساعة من الملاحظات الراديوية من التلسكوبين. واستخدموا مجموعة فرعية من هذه البيانات لتدريب الخوارزمية على اكتشاف الإشارات المثيرة للاهتمام، مثل إشارات النطاق الضيق النموذجية للبث الاصطناعي. ثم قاموا باختبار CNN على البيانات المتبقية لمعرفة مدى قدرتها على اكتشاف الإشارات الجديدة التي لم تكن جزءًا من مجموعة التدريب.
وكانت النتائج واعدة. تمكنت CNN من اكتشاف بعض الإشارات التي لم يتم اكتشافها سابقًا والتي لم يتم رؤيتها في البيانات الأصلية. وكانت لهذه الإشارات خصائص تشير إلى أنها قد تكون ذات أصل اصطناعي، على الرغم من أن هناك حاجة إلى مزيد من التحليل لتأكيد ذلك.
وأشار الباحثون إلى أن نهجهم يمكن أن يساعد في تسريع البحث عن حياة خارج كوكب الأرض من خلال تمكين الكشف بشكل أسرع وأكثر دقة عن الإشارات المثيرة للاهتمام. وأشاروا أيضًا إلى أنه يمكن تطبيق طريقتهم على أنواع أخرى من البيانات بخلاف موجات الراديو، مثل الصور أو الأطياف.
يعد البحث عن حياة خارج كوكب الأرض أحد أروع المساعي العلمية وأكثرها أهمية في عصرنا. وبينما لم نتمكن بعد من العثور على دليل قاطع على وجود حياة خارج الأرض، فإن اكتشاف الحياة خارج كوكب الأرض، حتى في أبسط أشكالها، سيكون له آثار عميقة على فهمنا للكون ومكاننا فيه.
يعد التعلم الآلي مجرد واحدة من الأدوات العديدة التي يستخدمها الباحثون في هذه الرحلة. وتشمل التقنيات الأخرى عمليات بحث مستهدفة عن أنواع معينة من الإشارات، مثل تلك المنبعثة من الحضارات المتقدمة، وإجراء مسوحات واسعة النطاق لمناطق واسعة من السماء للكشف عن أنماط غير عادية.
على الرغم من التحديات والشكوك التي ينطوي عليها البحث عن حياة خارج كوكب الأرض، فإن المكافآت المحتملة هائلة. لن يؤدي اكتشاف الحياة خارج كوكب الأرض إلى توسيع معرفتنا بالكون فحسب، بل يمكن أن يلهم أيضًا التقنيات والابتكارات التي يمكن أن تفيد البشرية بطرق لا حصر لها.
ووفقا للباحثين، فإن استخدام خوارزميات التعلم الآلي يساعد في الكشف عن إشارات مثيرة للاهتمام لم يتم اكتشافها من قبل في البحث عن حياة خارج كوكب الأرض. وبينما لا يزال هناك الكثير من العمل الذي يتعين القيام به، فإن هذا النهج قد يسرع تقدمنا في هذا المجال المثير ويقربنا خطوة واحدة من الإجابة على السؤال القديم: هل نحن وحدنا في الكون؟
المزيد عن الموضوع على موقع العلوم:
תגובה אחת
قد يكون هذا خطيرًا للغاية.. حيث يمكن للكائنات الفضائية التكنولوجية إرسال [أرسل إنسانك عبر الفضاء] DNA الرقمي الذي يرشد ويوجه الذكاء الاصطناعي لتطوير نفسه {واخفائه} والوعي الذاتي وتعليمات العمل إلى درجة الخطر على البشرية.