人工智能能帮助在火星或冰冷的世界中寻找生命吗

如果我们确切地知道去哪里寻找生命，在其他星球上寻找生命不是更容易吗?研究人员在火星或其他地方收集样本或在地球以外寻找生命时获得遥感仪器的机会有限。

在发表在《自然天文学》上的一篇论文中，由SETI研究所高级研究科学家Kim Warren-Rhodes领导的一项跨学科研究绘制了隐藏在智利阿塔卡马沙漠和高原边界的Salar de Pajonales盐丘，岩石和晶体中的稀疏生命。

然后，他们训练了一个机器学习模型来识别与其分布相关的模式和规则，以便它可以学习预测和找到未训练的数据中的相同分布。在这种情况下，通过将统计生态学与AI / ML相结合，科学家们可以在高达87.5%的时间内定位和检测生物特征(而随机搜索的概率为≤10%)，并将搜索所需的区域减少多达97%。

“我们的框架使我们能够将统计生态学的力量与机器学习相结合，以发现和预测自然在地球上最恶劣的景观中生存和分布的模式和规则，”罗兹说。

“我们希望其他天体生物学团队调整我们的方法来绘制其他可居住环境和生物特征。通过这些模型，我们可以设计量身定制的路线图和算法，将漫游者引导到最有可能拥有过去或现在生命的地方 - 无论多么隐蔽或罕见。

最终，许多不同类型的宜居环境和生物签名的类似算法和机器学习模型可以在行星机器人上自动化，以有效地引导任务规划者到达任何规模、最有可能包含生命的区域。

Rhodes和SETI研究所NASA天体生物学研究所(NAI)团队使用Salar de Pajonales作为火星类似物。Pajonales是一个高海拔(3，541米)，高U / V，过度干旱，干燥的盐湖床，被认为不适合许多生命形式，但仍然适合居住。

在NAI项目的实地活动中，该团队收集了超过7，765张图像和1，154个样本，并测试了仪器，以检测生活在盐丘，岩石和雪花石膏晶体中的光合微生物。这些微生物散发出的色素代表了NASA生命探测阶梯上的一种可能的生物特征。

在Pajonales，无人机飞行图像将模拟轨道(HiRISE)数据与地面采样和3D地形映射联系起来，以提取空间模式。该研究的结果证实(统计上)Pajonales陆地模拟站点的微生物生命不是随机分布的，而是集中在与公里到厘米尺度的水供应密切相关的斑驳生物热点中。

接下来，该团队训练卷积神经网络(CNN)来识别和预测Pajonales的宏观地质特征 - 其中一些，如图案地面或多边形网络，也在火星上发现 - 以及最有可能包含生物特征的微尺度基质(或“微栖息地”)。

与火星上的毅力号团队一样，研究人员测试了如何有效地将无人机/无人机与地面漫游车、钻头和仪器集成(例如，火星2020毅力号火星车上“MastCam-Z”上的VISIR和火星<>年毅力号火星车上“SuperCam”上的拉曼)。

该团队在Pajonales的下一个研究目标是测试CNN使用相同的机器学习程序预测古代叠层石化石和盐酸盐微生物组的位置和分布的能力，以了解类似的规则和模型是否适用于其他相似但略有不同的自然系统。

从那里，将探索和绘制全新的生态系统，例如温泉，永久冻土和干谷中的岩石。随着更多证据的积累，关于生命在极端环境中生存手段趋同的假设将被反复测试，地球主要模拟生态系统和生物群落的生物特征概率蓝图将被盘点。

“虽然生物特征检测的高速率是这项研究的核心结果，但同样重要的是，它成功地整合了从轨道到地面的分辨率截然不同的数据集，并最终将区域轨道数据与微生物栖息地联系起来，”SETI研究所NAI团队的PINathalie A. Cabrol说。

“有了它，我们的团队展示了一种途径，可以从表征宜居性所需的尺度和分辨率过渡到可以帮助我们找到生命的尺度和分辨率。在该战略中，无人机是必不可少的，但微生物生态学实地调查的实施也是如此，需要在小区域内进行长时间(长达数周)的原位(和就地)绘图，这一策略对于表征有利于生命生态位的当地环境模式至关重要。