人工智能会最先发现外星球的生命吗？

搜寻地外文明的 SETI 正在部署机器学习算法，以过滤掉人类可能错过的地球干扰和发现信号

位于西弗吉尼亚州的罗伯特·C·伯德格林班克望远镜是帮助寻找外星文明的几个望远镜之一

从西弗吉尼亚州的山丘到澳大利亚乡村的平原，一些世界上最大的望远镜正在监听来自遥远外星文明的信号。寻找外星智能，称为 SETI，是一种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的努力。一项研究描述了使用机器学习（人工智能 (AI) 的一个子集）来帮助天文学家快速筛选此类搜索产生的大量数据的多项努力之一。随着 AI重塑许多科学领域，它对寻找地外生命有何希望？

加利福尼亚州山景城 SETI 研究所的行星天文学家 Franck Marchis 表示：由于机器学习技术，SETI 研究正在开启一个新纪元。

大数据问题对于 SETI 来说是一个相对较新的问题。几十年来，该领域几乎没有任何数据而受到限制。天文学家弗兰克德雷克于 1960 年开创了 SETI，当时他将位于西弗吉尼亚州格林班克的望远镜指向两颗恒星并收听无线电传输。随后的大多数 SETI 搜索也仅限于少数恒星。

但在 2015 年，亿万富翁尤里·米尔纳 (Yuri Milner) 在加利福尼亚州伯克利资助了有史以来最大的 SETI 项目：Breakthrough Listen 项目，该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。

数据的海洋

问题在于，这些搜索会产生大量数据——包括来自手机、GPS 和现代生活其他方面的地球干扰所产生的误报。

SETI 研究所的天文学家 Sofia Sheikh 说：“我们寻找 SETI 信号的最大挑战不是此时获取数据。困难的部分是将来自人类或地球技术的信号与我们从银河系其他地方的技术中寻找的那种信号区分开来。”

手动进行数百万次观察是不切实际的。一种常见的替代方法是使用算法来寻找与天文学家认为外星信标可能看起来相匹配的信号。但这些算法可能会忽略与天文学家预期略有不同的潜在有趣信号。

进入机器学习。机器学习算法在大量数据上进行训练，可以学习识别地球干扰的特征，使其非常擅长滤除噪音。

被疏漏的信号

加州大学伯克利分校的 SETI 科学家 Dan Werthimer 说，机器学习还擅长识别不属于传统类别的候选地外信号，因此早期的方法可能会遗漏这些信号。

加拿大多伦多大学的数学家和物理学家、今天这篇论文的主要作者彼得马对此表示赞同。我们不能总是预测 ET 会发送给我们什么。

Ma 和他的同事筛选了 820 颗恒星的 Breakthrough Listen 观测，这些观测使用 100 米口径的 Robert C. Byrd Green Bank 望远镜进行。他们构建了机器学习软件来分析数据，这些数据收集了近 300 万个感兴趣的信号，但大部分被丢弃为地球干扰。然后，Ma 手动审查了大约 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——团队第二次收听时，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 64 台射电望远镜的 MeerKAT 阵列的大量观测，Breakthrough Listen 于 12 月开始使用这些数据。Ma 说，机器学习算法还可以用于 SETI 存档数据，以寻找以前可能被忽视的信号。

SETI

机器学习也是下个月将启动的一项单独的 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项社区科学项目，公众志愿者将对无线电信号图像进行分类，并将其归类为潜在的干扰类型，以训练一台机器- 学习算法以搜索来自 Green Bank 的 SETI 数据。

人工智能可以帮助 SETI 过程的其他阶段。Werthimer 和他的同事使用机器学习得出了一个正在进行的 SETI 项目中要观测的恒星排名，该项目使用世界上最大的单口径望远镜，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 Jean-Luc Margot 说，SETI 可能会继续结合使用经典方法和机器学习方法的混合来分类数据。他说，经典算法在识别候选信号方面仍然表现出色，而机器学习“也不是万能的灵丹妙药”。