机器学习会帮助我们寻找外星生命吗？

在思考发现技术先进的地外生命的可能性时，经常出现的问题是，“如果它们就在那里，为什么我们还没有找到它们?” 通常，回应是我们只搜索了银河系的一小部分。此外，几十年前为最早的数字计算机开发的算法在应用于现代 PB 级数据集时可能已经过时且效率低下。现在，由多伦多大学本科生 Peter Ma 以及来自 SETI 研究所、Breakthrough Listen 和世界各地科研机构的研究人员领导的研究发表在《自然天文学》上，“总的来说，我们搜索了 820 颗附近恒星的 150 TB 数据，该数据集之前曾在 2017 年通过经典技术搜索过，但被标记为缺乏有趣的信号，”主要作者彼得马说。“今天，我们正在使用 MeerKAT 望远镜及其他望远镜将搜索工作扩大到 100 万颗恒星。我们相信，像这样的工作将有助于加快我们能够做出发现的速度，以回答‘我们是孤独的吗?在宇宙中?'”

搜寻外星智能 (SETI) 通过尝试检测外星文明可能发展的技术特征或技术证据，寻找来自地球以外的外星智能的证据。最常用的技术是搜索无线电信号。无线电是在星际之间令人难以置信的距离上发送信息的好方法;它快速穿过弥漫在太空中的尘埃和气体，而且速度是光速(比我们最好的火箭快大约 20,000 倍)。许多 SETI 工作使用天线来窃听外星人可能正在传输的任何无线电信号。

这项研究重新检查了西弗吉尼亚州格林班克望远镜拍摄的数据，作为突破性聆听活动的一部分，该活动最初表明没有感兴趣的目标。目标是将新的深度学习技术应用于经典搜索算法，以产生更快、更准确的结果。在运行新算法并手动重新检查数据以确认结果后，新检测到的信号具有几个关键特征：

1. 这些信号是窄带的，这意味着它们的频谱宽度很窄，大约只有几赫兹。自然现象引起的信号往往是宽带的。

2. 信号具有非零漂移率，这意味着信号具有斜率。这样的斜率可能表明信号的来源与我们的接收器有一些相对加速度，因此不是射电天文台的本地信号。

3. 这些信号出现在源观测中，而不是在源观测中。如果信号来自特定的天体来源，当我们将望远镜对准目标时它就会出现，而当我们移开视线时它就会消失。由于源靠近，人类无线电干扰通常发生在 ON 和 OFF 观察中。

马云的另一位研究顾问、SETI 研究所和法国国家科学研究中心的天文学家 Cherry Ng 说：“这些结果极大地说明了将现代机器学习和计算机视觉方法应用于天文学数据挑战的力量，从而导致新的检测和更高的性能。这些技术的大规模应用将对无线电技术签名科学产生变革。”

虽然对这些新目标的重新检查尚未导致对这些信号的重新检测，但这种分析数据的新方法可以使研究人员更有效地理解他们收集的数据并迅速采取行动重新检查目标。Ma 和他的导师 Cherry Ng 博士期待在 SETI 研究所的 COSMIC 系统上部署该算法的扩展。

自 1960 年弗兰克·德雷克 (Frank Drake) 在格林班克天文台 (Greenbank Observatory) 开始 SETI 实验以来，该天文台现在是这项最新工作中使用的望远镜所在地，技术进步使研究人员能够收集比以往更多的数据。如此庞大的数据量需要新的计算工具来快速处理和分析这些数据，以识别可能是外星智慧证据的异常现象。这种新的机器学习方法在寻求回答“我们是孤独的吗?”这个问题方面开辟了新天地。