Ученые обнаружили 8 странных инопланетных сигналов, исходящих от близлежащих звезд

Ученые применили машинное обучение для обнаружения потенциальных внеземных сигналов, что трансформировало поиск разумной жизни за пределами Земли. (ФОТО: CC BY-SA 4.0)

Одиноки ли мы во Вселенной? Этот вечный вопрос на протяжении десятилетий побуждал ученых исследовать космос. Программа поиска внеземного разума (SETI) направлена на поиск свидетельств существования высокоразвитых цивилизаций путем идентификации «техносигнатур» — сигналов или артефактов, созданных с помощью инопланетных технологий.

Обнаружение таких сигнатур подтвердило бы существование разумной внеземной жизни, что стало бы открытием, имеющим глубокое научное и философское значение.

Исторически сложилось так, что основное внимание в SETI уделялось радиочастотам. Радиоволны эффективно распространяются в космосе, и возможно создание мощных радиопередатчиков и приемников.

Наиболее перспективными техносигналами являются узкополосные сигналы, ограниченные полосой пропускания около 1 Гц, и сигналы, демонстрирующие доплеровские сдвиги, вызванные относительным перемещением передатчика и приемника. Эти характеристики отличают потенциальные инопланетные сигналы от естественных астрофизических явлений. Несмотря на обширные усилия, окончательный техносигнатур так и не был идентифицирован.

Впечатление художника от телескопа Green Bank, подключенного к сети машинного обучения. (ФОТО: Breakthrough Listen/Даниэль Футселаар)

Одним из самых амбициозных проектов SETI является инициатива Breakthrough Listen (BL), запущенная в 2016 году. Используя телескоп Green Bank Telescope (GBT) в Соединенных Штатах и телескоп Parkes «Murriyang» в Австралии, BL просканировал тысячи звезд и сотни галактик в различных диапазонах частот.

Хотя эти обсерватории расположены в зонах радиомолчания, радиопомехи, создаваемые человеком, представляют собой серьезную проблему. Радиопомехи могут имитировать потенциальные техносигналы, что усложняет задачу идентификации подлинных внеземных сигналов.

Чтобы уменьшить радиочастотные помехи, ученые используют методы пространственной фильтрации, такие как наблюдения за частотой вращения или переключение местоположения. Подлинные внеземные сигналы должны появляться только при сканировании «по источнику», в то время как радиочастотные помехи, как правило, сохраняются при нескольких наблюдениях.

Несмотря на эти меры, ложные срабатывания остаются обычным явлением. Предыдущие поиски с использованием аналогичных наборов данных GBT показали десятки миллионов “совпадений” — потенциальных сигналов, большинство из которых в конечном итоге были отклонены как помехи.

В последние годы достижения в области машинного обучения (ML) произвели революцию в анализе данных в астрономии. Алгоритмы ML могут выявлять закономерности и взаимосвязи в больших наборах данных, что делает их идеальными для SETI, где объемы данных огромны. Исследователи разработали инструменты ML для таких задач, как классификация сигналов и обнаружение аномалий. Однако до сих пор не было разработано полностью управляемого ML конвейера SETI.

Команда исследователей, возглавляемая учеными из Университета Торонто, недавно представила новаторский подход к SETI с использованием передовых методов ML. Их метод сочетает в себе тип нейронной сети, называемый β-вариационными автоэнкодерами (β-VAE), со случайными лесными деревьями принятия решений.

Платформа β-VAE заставляет нейронную сеть извлекать из данных интерпретируемые признаки, решая проблему «черного ящика», часто связанную с моделями ML. Такая конструкция позволяет системе идентифицировать такие признаки, как фильтрация частоты вращения и узкополосные доплеровские дрейфующие сигналы, одновременно изучая характеристики RFI.

Исследователи применили свою модель ML к данным инициативы BL, в частности, к диапазону частот 1,1–1,9 ГГц, наблюдаемому GBT. Проанализировав 150 терабайт данных о 820 близлежащих звездах, они изучили 57 миллионов уникальных фрагментов данных, каждый из которых содержит 4096 частотных и 16 временных интервалов.

Студент и исследователь университета Торонто Питер Ма (АВТОР: Полина Тейф).

Этот всесторонний поиск выявил восемь ранее не обнаруженных сигналов, обладающих характеристиками, соответствующими техносигнатурам. Эти сигналы присутствовали только тогда, когда телескоп был направлен на звезды, и отсутствовали, когда телескоп был направлен в сторону, что указывает на внеземное происхождение. Кроме того, в сигналах наблюдались смещения частот, указывающие на то, что источник находится далеко от Земли.

Исследование, опубликованное в Nature Astronomy, не утверждает, что оно обнаружило доказательства разумной внеземной жизни. Вместо этого оно демонстрирует потенциал ML для расширения усилий SETI. «Я впечатлена тем, насколько хорошо зарекомендовал себя этот подход», — сказала соавтор Черри Нг, астроном из Университета Торонто. «Я с оптимизмом смотрю на то, что с помощью искусственного интеллекта мы сможем лучше оценить вероятность внеземных сигналов».

Ключевое новшество заключается в использовании полуконтролируемого обучения, гибридного подхода, сочетающего контролируемые и неконтролируемые методы. Контролируемое обучение отрабатывает алгоритм, используя помеченные данные, в то время как неконтролируемое обучение выявляет скрытые закономерности без явного руководства. Такое сочетание позволяет модели обобщать известные данные и выявлять новые закономерности, улучшая ее способность отличать подлинные сигналы от помех.

Алгоритм был разработан Питером Ма, исследователем-старшекурсником из Университета Торонто. Примечательно, что интерес Ма к SETI возник в ходе школьного проекта.

Телескоп Грин-Бэнк. (АВТОР: Крис Шодт/Breakthrough Listen)

«Я рассказал своей команде только после публикации статьи, что все это началось как школьный проект, который не был по достоинству оценен моими учителями», — сказал Ма. Его инновационный подход получил высокую оценку ученых SETI. «Новые идеи жизненно важны в этой области, — отметил доктор Нг. — Анализируя данные с помощью различных методов, мы можем обнаружить интересные сигналы».

Восемь недавно обнаруженных сигналов исходили от пяти звезд, расположенных на расстоянии от 30 до 90 световых лет от Земли. Эти звезды относительно близки по космическим меркам, что делает их главными кандидатами для дальнейшего изучения. Однако исследователи предупреждают, что эти сигналы все еще могут иметь естественные или созданные человеком объяснения.

«Необходимы дальнейшие наблюдения, чтобы сделать какие-либо выводы о внеземной жизни», — сказал Стив Крофт, научный сотрудник проекта Breakthrough Listen. «Эти сигналы демонстрируют характеристики, которые мы ожидали бы от разумного источника, но нельзя исключать случайности».

Успех этого метода ML вдохновил на планы по расширению его применения. Исследовательская группа намерена проанализировать данные с более мощных телескопов, таких как MeerKAT в Южной Африке и планируемого очень большого массива следующего поколения. Эти передовые средства позволят астрономам исследовать миллионы звезд вместо сотен, что значительно расширит возможности SETI.

Распределение сигналов, представляющих интерес с точки зрения порога достоверности и частоты наблюдений. (ФОТО: Nature Astronomy)

«Мы надеемся, что благодаря нашей новой технологии в сочетании с телескопами следующего поколения машинное обучение позволит нам перейти от поиска сотен звезд к поиску миллионов», — сказал Ма. Это стремление подчеркивает преобразующий потенциал ML в SETI, предлагая масштабируемое решение проблем, связанных с огромными массивами данных и повсеместным вмешательством.

Несмотря на отсутствие окончательных доказательств существования внеземной жизни, использование искусственного интеллекта в SETI представляет собой значительный шаг вперед. Авторы исследования сохраняют оптимизм в отношении того, что непрерывный прогресс в области технологий и методологии приблизит человечество к ответу на один из самых глубоких вопросов.

Как выразился доктор Нг, «С каждым новым инструментом, который мы разрабатываем, мы расширяем наши возможности по исследованию Вселенной и раскрытию ее тайн».