机器学习会帮助我们找到外星生命吗

在思考发现技术先进的外星生命的可能性时，经常出现的问题是，“如果它们在那里，为什么我们还没有找到它们?通常，人们的反应是，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级数据集时可能过时且效率低下。现在，由多伦多大学本科生Peter Ma领导的发表在Nature Astronomy上的研究，以及SETI研究所，Breakthrough Listen和世界各地科研机构的研究人员，已经将深度学习技术应用于先前研究的附近恒星数据集，并发现了八个以前未识别的兴趣信号。

“总的来说，我们已经搜索了150颗附近恒星的820 TB数据，该数据集之前在2017年通过经典技术进行了搜索，但被标记为缺乏有趣的信号，”第一作者Peter Ma说。

“我们今天正在用MeerKAT望远镜及以后的望远镜将搜索工作扩展到1万颗恒星。我们相信，这样的工作将有助于加快我们在回答'我们在宇宙中孤独吗?'这个问题的宏伟努力中能够做出发现的速度。

寻找外星智能(SETI)通过试图检测外星文明可能已经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。最常见的技术是搜索无线电信号。

无线电是在恒星之间令人难以置信的距离上发送信息的好方法;它迅速穿过渗透太空的尘埃和气体，并且以光速(比我们最好的火箭快约20，000倍)这样做。SETI的许多努力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绿岸望远镜拍摄的数据，作为突破聆听活动的一部分，该活动最初没有显示感兴趣的目标。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以下几个关键特征：

信号是窄带的，这意味着它们的频谱宽度很窄，只有几赫兹。

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。

信号出现在源内观测中，而不是在源外观测中。如果信号来自特定的天体源，则当我们将望远镜指向目标时，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观测中。

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，从而产生了新的检测和更高的性能。大规模应用这些技术将是无线电技术签名科学的变革。

虽然对这些感兴趣的新靶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和他的顾问Cherry Ng博士期待在SETI研究所的COSMIC系统上部署该算法的扩展。

自从SETI实验于1960年在格林班克天文台与弗兰克·德雷克(Frank Drake)的奥兹玛项目(Project Ozma)开始以来，技术进步使研究人员能够收集比以往更多的数据。如此大量的数据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能证据的异常情况。这种新的机器学习方法在寻求回答“我们孤单吗?