Встреча с неизведанным стимулирует прогресс искусственного интеллекта (ИИ), который находится в центре охоты за инопланетным разумом. Один захватывающий проект, в котором ИИ играет ключевую роль, — это партнерство между Институтом Сети и Национальной радиоастрономической обсерваторией США в Нью-Мексико. Этот федеральный объект, ориентированный на изучение небесных явлений, сфокусирован на использовании радиочастот для исследования планет, звезд и астероидов.
SETI внедряет параллельную программную платформу, основанную на ИИ, во Вселенский массив Very Large Array (VLA). Этот массив, созданный между 1973 и 1981 годами, включает 28 огромных антенн с диаметром 25 метров каждая, разбросанных по пустынной равнине, напоминающих огромные спутниковые тарелки.
Использование ИИ позволяет обрабатывать огромные объемы данных, поступающих с VLA, на уровне двух терабайт в секунду. Для сравнения, современные ноутбуки обычно имеют около 1 ТБ памяти в целом.
Этот проект уже выявил восемь потенциальных сигналов из космоса, которые не были обнаружены традиционными методами анализа. Тем не менее, некоторые считают, что такие сигналы могут оказаться ложноположительными из-за отсутствия повторных наблюдений.
Искусственный интеллект также активно задействован в поисках жизни в более близких космических пространствах. Например, марсоход NASA Perseverance начал собирать образцы из кратера Езеро на Марсе, которые впоследствии могут быть возвращены на Землю для анализа. Некоторые данные уже указывают на возможное обнаружение органических соединений, но не исключается их неорганическое происхождение.
Подобные исследования стимулированы также новыми методами, включая применение ИИ в анализе образцов горных пород на предмет наличия следов жизни. Это новаторское исследование, проводимое Научным институтом Карнеги, показывает, что ИИ способен с высокой точностью различать органические и неорганические компоненты в горных породах.
«Это вносит новый элемент в наши поиски молекулярных следов жизни», — отмечает доктор Роберт Хейзен, ведущий исследователь. «Мы используем методику машинного обучения для анализа массивов данных, полученных из миллионов точек образца, и выявления тонких закономерностей в молекулярном составе».