Mais dados e aprendizado de máquina colocaram o SETI em alta velocidade

Por mais de sessenta anos, astrônomos e astrofísicos têm estado envolvidos na Busca por Inteligência Extraterrestre (SETI). Isto consiste em ouvir outros sistemas estelares em busca de sinais de atividade tecnológica (ou “assinaturas tecnológicas), como transmissões de rádio. Esta primeira tentativa foi em 1960, conhecida como Projeto Ozma, onde o famoso pesquisador do SETI Dr. Frank Drake (pai da Equação de Drake) e seus colegas usaram o radiotelescópio do Observatório Green Bank, na Virgínia Ocidental, para conduzir uma pesquisa de rádio de Tau Ceti. e Épsilon Eridani.

Desde então, a grande maioria das pesquisas SETI têm procurado sinais de rádio de banda estreita, uma vez que são muito bons na propagação através do espaço interestelar. No entanto, o maior desafio sempre foi como filtrar as transmissões de rádio na Terra – também conhecido como. interferência de radiofrequência (RFI). Num estudo recente, uma equipa internacional liderada pelo Instituto Dunlap de Astronomia e Astrofísica (DIAA) aplicou um novo algoritmo de aprendizagem profunda aos dados recolhidos pelo Green Bank Telescope (GBT), que revelou oito sinais promissores que serão de interesse para Iniciativas SETI como Breakthrough Listen.

Peter Xiangyuan Ma, pesquisador de graduação do DIAA e do Departamento de Matemática e Física da Universidade de Toronto, liderou o estudo. Ele foi acompanhado por pesquisadores do Laboratório de Radioastronomia da UC Berkeley, do Jodrell Bank Center for Astrophysics (JBCA), do Instituto de Ciências Espaciais e Astronomia, do Centro Internacional de Pesquisa em Radioastronomia, do Instituto SETI e de Iniciativas Inovadoras. O artigo que descreve suas descobertas, “Uma busca de aprendizado profundo por assinaturas tecnológicas de 820 estrelas próximas”, apareceu recentemente na Nature Astronomy.

Remova todos os anúncios do Universe hoje

Junte-se ao nosso Patreon por apenas $ 3!

Obtenha a experiência sem anúncios para o resto da vida

Os sinais de rádio de banda estreita continuam sendo a assinatura tecnológica mais popular e procurada devido à forma como as ondas de rádio se propagam no espaço interestelar. Para os investigadores do SETI, o desafio sempre foi distinguir entre possíveis transmissões, RFI terrestre e ondas de rádio de fontes cósmicas. Para o bem de seu estudo, Ma e seus colegas aplicaram um algoritmo Beta-Convolutional Variational Autoencoder a 820 alvos únicos observados pelo GBT durante 480 horas de observação no céu.

“Em muitas das nossas observações, há muita interferência”, disse Ma num comunicado de imprensa do Dunlap Insitute. “Precisamos distinguir os sinais de rádio emocionantes no espaço dos sinais de rádio desinteressantes da Terra.”” “Em muitas das nossas observações, há muita interferência”, disse Ma num comunicado de imprensa do Instituto Dunlap. “Precisamos distinguir os sinais de rádio emocionantes no espaço dos sinais de rádio desinteressantes da Terra.”

Ma começou a trabalhar nesse algoritmo quando ainda estava no ensino médio, o que ele esperava aceleraria o SETI, simplificando a busca por assinaturas tecnológicas. De acordo com Ma, o algoritmo combina dois subtipos de aprendizado de máquina – aprendizado supervisionado e não supervisionado – que ele chama de “aprendizado semi-não supervisionado”. Esta abordagem envolve o uso de técnicas supervisionadas para orientar e treinar o algoritmo para ajudá-lo a generalizar (usando técnicas não supervisionadas) e encontrar padrões ocultos nos dados com maior facilidade.

Desde que ingressou no Instituto Dunlap, Ma e seus colegas treinaram o algoritmo usando sinais simulados para diferenciar entre sinais potenciais que poderiam ser de origem extraterrestre e interferência gerada pelo homem. Eles também compararam o algoritmo de Ma com vários aplicativos de aprendizado de máquina, sua precisão e taxas de falsos positivos, e usaram essas informações para criar o produto final. “Só contei à minha equipe depois da publicação do jornal que tudo isso começou como um projeto de ensino médio que não foi muito apreciado pelos meus professores”, acrescentou Ma.

Ao aplicar este algoritmo aos dados do GBT, eles descobriram oito novos sinais de rádio de interesse vindos de cinco estrelas localizadas entre 30 e 90 anos-luz da Terra. Esses sinais foram ignorados por análises anteriores que não dependiam de aprendizado de máquina. Mas para a equipa do SETI, estes sinais são considerados notáveis ​​por duas razões. Steve Croft, Cientista do Projeto Breakthrough Listen no GBT, explicou: