АстрономияИскусственный интеллект

В поисках жизни: биосигнатуры и техносигнатуры с помощью ИИ


Поиск следов жизни во Вселенной, безусловно, является одной из величайших задач, стоящих перед современной астрономией. Научно-технический прогресс оснастил нас приборами, способными собирать все больше и больше данных и сканировать небо с такой детализацией, которая была немыслима всего несколько лет назад. Сейчас многие считают, что поиск потенциальных "новых Земель" - это уже не вопрос "если", а только "когда".

Однако вопрос не только в том, где искать, но и в том, что искать. Именно поэтому все чаще говорят о биосигнатурах - биологических маркерах, которые могут быть подсказками для присутствия, настоящего или прошлого, форм жизни за пределами нашей планеты.

Мы имеем дело с относительно молодой областью исследований. Измерение этих параметров требует чрезвычайной точности, которая возможна только с помощью приборов нового поколения. Примером тому может служить характеристика атмосфер экзопланет. Всего несколько дней назад была измерена температура TRAPPIST-1 b благодаря наблюдениям аппарата "Джеймс Уэбб".

Таким образом, этот сектор находится в состоянии бурного роста, и на этот раз, как это все чаще случается в астрофизике, нам на помощь приходит мощный союзник - искусственный интеллект.

Поиск биосигнатур в Солнечной системе

Важно помнить, что в поисках следов внеземной жизни нельзя упускать из виду Солнечную систему. Конечно, мы не ожидаем найти там развитые формы жизни. Однако есть несколько кандидатов, на которых могут существовать или существовали в прошлом хотя бы элементарные формы микробной жизни. Именно этому посвящено исследование, опубликованное в недавней статье в журнале Nature Astronomy под руководством Ким Уоррен-Роудс из Института SETI.

В этой работе авторы разработали модель, основанную на использовании искусственного интеллекта, для обнаружения потенциальных биосигнатур. И среды, подходящей для простых форм жизни на телах Солнечной системы, таких как Марс или некоторые ледяные спутников внешних планет. Основная идея в целом проста: использовать данные, собранные в экстремальных условиях на Земле, для обучения модели и использовать ее для прогнозирования за пределами нашей планеты.

Местом сбора данных был выбран Салар-де-Пахоналес, расположенный на границе между Чилийским плоскогорьем и пустыней Атакама. Это пустынная соляная равнина, чрезвычайно засушливая, расположенная на высоте 3500 метров. Совершенно негостеприимная среда.

Пустыня Атакама.

Здесь команда исследователей составила карту горных пород, кристаллов и соляных отложений, объединив спутниковые и аэронаблюдения с помощью беспилотников. Модель основана на гипотезе о том, что экстремальные условия в этих районах похожи на те, что существуют, например, на Марсе.

Первоначально исследователи составили карту распределения элементарных форм жизни по территории. Используя эту информацию в качестве базы знаний, они затем использовали данные с самолетов и спутников для обучения алгоритма машинного обучения распознаванию закономерностей, лежащих в основе распределения, полученного в результате непосредственных наблюдений на плато.

Конволюционные нейронные сети

В частности, было решено использовать модель, основанную на так называемых конволюционных нейронных сетях (CNN). Это очень мощные нейронные сети, состоящие из двух основных частей.

Первая способна принимать на вход изображения, из которых автоматически извлекается информация, т.е. то, что на техническом жаргоне называется признаками. Другими словами, репрезентативные параметры входных изображений. Это операция, которая в астрономии традиционно выполняется "вручную". Принципиальная разница заключается в том, что CNN способна извлечь не несколько десятков признаков за короткое время, как это может сделать человек, а тысячи или миллионы. Это означает использование исходной информации с гораздо большей эффективностью.

Вторая часть CNN, с другой стороны, состоит из классической нейронной сети, которая получает на вход признаки, извлеченные из первой части, и использует их для составления прогноза. Этот результат ассоциируется с известным значением, которое используется в качестве эталона. Это означает, что алгоритм работает в режиме "под наблюдением". Сеть учится вычислять одно и то же выходное значение, сравнивая его с эталонным, чтобы все больше и больше улучшать свою работу, регулируя свои внутренние параметры в ходе повторяющихся циклов. Таким образом, обученную сеть можно будет использовать с данными, которые ранее не встречались и для которых не существует целевых показателей.

Ниже приводится видео, демонстрирующее различные этапы сбора данных.

Используя эту систему, авторы статьи смогли идентифицировать биосигнатуры с точностью от 56,9% до 87,5%, по сравнению с 10% (максимум), полученными при случайном поиске. Более того, удалось сократить область поиска на 97%. На самом деле, присутствующие виды микроорганизмов выделяют пигменты, которые, по сути, являются теми самыми биосигнатурами, которые надеялась обнаружить исследовательская группа и которые CNN удалось определить с высокой точностью. Все это благодаря базе данных, состоящей из 7765 собранных изображений и 1154 образцов.

Очевидно, что данное исследование является скорее демонстрацией, поскольку конечной целью будет установка предварительно обученного программного обеспечения на борту беспилотников, отправляемых для осмотра поверхности планет. Немного похоже на то, что было сделано с Ingenuity на Марсе.

От биосигнатур к техносигнатурам

Работа команды SETI является прекрасным примером в поиске биосигнатур. Последний, пожалуй, является основным направлением в поиске внеземной жизни, но в действительности не единственным. Биологическая деятельность, безусловно, оставляет следы, которые можно идентифицировать с помощью соответствующих маркеров, но то же самое можно сказать и о технологической деятельности.

На самом деле, так называемые техносигнатуры могут быть даже более очевидными, чем биосигнатуры. Ярким примером этого является сам SETI. По сути, институт появился благодаря программе "Поиск внеземного разума" (отсюда и аббревиатура), направленной на поиск радиосигналов от разумных цивилизаций. К сожалению, пока программа не принесла никаких конкретных результатов, но поиски продолжаются.

Свидетельством внимания научного сообщества к этой теме стал семинар, организованный NASA в сентябре 2018 года. Его целью как раз и было обсуждение состояния дел и будущих разработок в области исследования техносигнатур. Область обширна, как и отчет, опубликованный по итогам встречи.

Некоторые из обсуждаемых тем более очевидны, например, поиск радиосигналов или в других диапазонах спектра. Другие, с другой стороны, могут показаться более близкими к научной фантастике. Например, поиск мегаструктур, таких как сферы Дайсона - структур из солнечных батарей, размещенных вокруг звезд для сбора их излучаемой энергии. Конструкции такого типа могут быть обнаружены с помощью методов, аналогичных методу транзита, который обычно используется при поиске внесолнечных планет.

Художественное изображение сферы Дайсона.

Центральным аспектом семинара является именно использование методов интеллектуального анализа данных и машинного обучения. Речь идет не только о том, чтобы проложить путь к анализу наблюдений, которые еще только ведутся, но и о поиске новых открытий, которые потенциально могут скрываться в существующих данных.

Демонстрируя брожение по этой теме, в мае 2019 года в Калтехе в Пасадене был проведен новый семинар, посвященный поиску техносигнатур с помощью методов "управления данными". Присутствие таких известных имен, как профессор Джузеппе Лонго из Университета Федерико II в Неаполе и профессор Джордж Джорговски из Калифорнийского технологического института, говорит о том, насколько серьезен этот вопрос.

Где искать: лучшее из всех возможных миров

Мы видели, что поиск биосигнатур, или техносигнатур, относится к области того, что искать. Однако, возвращаясь к вопросу о том, где искать, отметим, что в этом отношении мы могли бы добиться большего.

В статье, опубликованной в 2020 году группой под руководством Дирка Шульце-Макуха, астробиолога из Берлинского технического университета, анализируется возможность того, что планета Земля может быть не самой лучшей планетой для жизни. Другие планеты могут находиться в более благоприятных экологических и эволюционных условиях, чем наша, что в значительной степени благоприятствовало бы развитию биологических форм.

Шульце-Макух называет эти планеты суперпригодными для жизни. Проблема заключается в том, что до сих пор мы всегда искали следы жизни, основывая свои исследования на земной модели. Это явно может представлять собой предвзятость, фактически вводя то, что в астрономии называется эффектом отбора: мы не видим что-то не потому, что его нет, а скорее потому, что введенные нами ограничения не позволяют нам его обнаружить.

Потенциально эта проблема может характеризовать и работу команды SETI, поскольку модель машинного обучения была обучена с использованием земных данных в качестве образца. И никогда не следует забывать, что ИИ, который мы используем сегодня, может обобщать только в пределах периметра данных, предоставленных ему во время обучения.

В своей статье Шульце-Макух перечисляет критерии, по которым планету можно было бы определить как сверхобитаемую: масса примерно в 1,5 раза больше земной, наличие Луны и магнитного поля, родительская звезда меньшего размера и более долгоживущая, чем планета. Солнце (скорее всего класс К).

Авторы также представляют список из пары десятков возможных кандидатов, на которых стоит обратить внимание в будущем с текущими инструментами, такими как Джеймс Уэбб, или с телескопами следующего поколения, такими как строящийся Чрезвычайно большой телескоп.

Словом, охота только началась.

Подпишитесь на нас: Вконтакте / Telegram
Back to top button