La búsqueda de vida extraterrestre tecnológicamente avanzada plantea la pregunta, “¿dónde están?” La respuesta a menudo se encuentra en la inmensidad de la galaxia y el alcance limitado de nuestra búsqueda. Además, los algoritmos obsoletos de los primeros días de la informática pueden no ser eficientes en el procesamiento de los conjuntos de datos masivos a escala de petabytes de hoy en día”.
Ahora, un estudio reciente publicado en Nature Astronomy , dirigido por el estudiante de pregrado Peter Ma de la Universidad de Toronto e investigadores del Instituto SETI, Breakthrough Listen y otras instituciones científicas, utilizó el aprendizaje profundo para analizar un conjunto de datos previamente estudiado de estrellas cercanas. Este nuevo enfoque descubrió ocho señales de interés no descubiertas anteriormente.
“En total, habíamos buscado en 150 TB de datos de 820 estrellas cercanas, en un conjunto de datos que se había buscado previamente en 2017 mediante técnicas clásicas pero etiquetado como desprovisto de señales interesantes”, dijo Peter Ma, autor principal. “Estamos escalando este esfuerzo de búsqueda a 1 millón de estrellas hoy con el telescopio MeerKAT y más allá. Creemos que un trabajo como este ayudará a acelerar la velocidad a la que podemos hacer descubrimientos en nuestro gran esfuerzo por responder a la pregunta “¿estamos solos en el universo?”
Gráficos en cascada de las ocho señales de interés. Cada panel tiene un ancho de 2800 Hz y los ejes x están referenciados al centro del fragmento donde se encuentra la señal, como se informa en la columna 3 de la Tabla 1. Crédito: Instituto SETI
La búsqueda de inteligencia extraterrestre (SETI) busca evidencia de inteligencia extraterrestre que se origine más allá de la Tierra tratando de detectar firmas tecnológicas, o evidencia de tecnología, que podrían haber desarrollado civilizaciones extraterrestres. La técnica más común es la búsqueda de señales de radio. La radio es una gran manera de enviar información sobre las increíbles distancias entre las estrellas; atraviesa rápidamente el polvo y el gas que impregnan el espacio, y lo hace a la velocidad de la luz (unas 20.000 veces más rápido que nuestros mejores cohetes). Muchos esfuerzos de SETI usan antenas para escuchar cualquier señal de radio que los extraterrestres puedan estar transmitiendo.
Este estudio volvió a examinar los datos tomados con el telescopio Green Bank en West Virginia como parte de una campaña Breakthrough Listen que inicialmente no indicó objetivos de interés. El objetivo era aplicar nuevas técnicas de aprendizaje profundo a un algoritmo de búsqueda clásico para obtener resultados más rápidos y precisos. Después de ejecutar el nuevo algoritmo y volver a examinar manualmente los datos para confirmar los resultados, las señales recién detectadas tenían varias características clave:
Las señales eran de banda estrecha, lo que significa que tenían un ancho espectral estrecho, del orden de unos pocos Hz. Las señales provocadas por fenómenos naturales suelen ser de banda ancha.
Las señales tenían tasas de deriva distintas de cero, lo que significa que las señales tenían una pendiente. Tales pendientes podrían indicar que el origen de una señal tenía cierta aceleración relativa con nuestros receptores, por lo tanto, no local para el observatorio de radio.
Las señales aparecieron en observaciones de fuente ON y no en observaciones de fuente OFF. Si una señal se origina en una fuente celeste específica, aparece cuando apuntamos nuestro telescopio hacia el objetivo y desaparece cuando miramos hacia otro lado. La interferencia de radio humana generalmente ocurre en observaciones ON y OFF debido a que la fuente está cerca.
Cherry Ng, otro de los asesores de investigación de Ma y astrónomo tanto del Instituto SETI como del Centro Nacional de Investigación Científica de Francia, dijo: “Estos resultados ilustran dramáticamente el poder de aplicar métodos modernos de aprendizaje automático y visión por computadora a los desafíos de datos en astronomía, lo que resulta en tanto nuevas detecciones como un mayor rendimiento. La aplicación de estas técnicas a escala será transformadora para la ciencia de la firma tecnológica de radio”.
Si bien los reexámenes de estos nuevos objetivos de interés aún no han resultado en nuevas detecciones de estas señales, este nuevo enfoque para analizar datos puede permitir a los investigadores comprender de manera más efectiva los datos que recopilan y actuar rápidamente para volver a examinar los objetivos. Ma y su asesor, el Dr. Cherry Ng, esperan implementar extensiones de este algoritmo en el sistema COSMIC del Instituto SETI.
Desde que comenzaron los experimentos SETI en 1960 con el Proyecto Ozma de Frank Drake en el Observatorio de Greenbank, un sitio que ahora alberga el telescopio utilizado en este último trabajo, los avances tecnológicos han permitido a los investigadores recopilar más datos que nunca. Este volumen masivo de datos requiere nuevas herramientas computacionales para procesar y analizar esos datos rápidamente para identificar anomalías que podrían ser evidencia de inteligencia extraterrestre. Este nuevo enfoque de aprendizaje automático está abriendo nuevos caminos en la búsqueda de responder a la pregunta “¿estamos solos?”
Referencia: “Una búsqueda de aprendizaje profundo de firmas tecnológicas de 820 estrellas cercanas” por Peter Xiangyuan Ma, Cherry Ng, Leandro Rizk, Steve Croft, Andrew PV Siemion, Bryan Brzycki, Daniel Czech, Jamie Drew, Vishal Gajjar, John Hoang, Howard Isaacson , Matt Lebofsky, David HE MacMahon, Imke de Pater, Danny C. Price, Sofia Z. Sheikh y S. Pete Worden, 30 de enero de 2023, Nature Astronomy . DOI: 10.1038/s41550-022-01872-z