El aprendizaje de máquina (machine learning, en inglés) podría ser una herramienta imprescindible para lograr encontrar señales de vida extraterrestre inteligente. La cantidad de información recogida, en estos momentos, es tan grande que hace falta una manera eficiente de analizarla…
El aprendizaje de máquina para encontrar vida extraterrestre inteligente
Al pensar en las probabilidades de descubrir vida extraterrestre tecnológicamente avanzada, una de las preguntas que surge a menudo, es por qué no hemos detectado nada. A fin de cuentas, podría pensarse que, si están ahí fuera, deberíamos haber captado alguna señal prometedora. La respuesta, sin embargo, suele ser que solo se ha buscado en una pequeña fracción de la galaxia. Además, los algoritmos desarrollados hace décadas, para los primeros ordenadores, podrían estar desactualizados y ser poco eficientes.
Su comportamiento no tiene por qué ser el adecuado para los conjuntos de datos modernos, cuya capacidad se mide en la escala de petabytes (un petabyte equivale a 1000 terabytes). Ahora, un grupo de investigadores de diferentes instituciones y proyectos, ha recurrido a la ayuda del aprendizaje de máquina para encontrar señales interesantes, si bien no necesariamente tienen por qué indicar la presencia de vida extraterrestre inteligente. Han aplicado una técnica de aprendizaje profundo a un conjunto de datos que ya había sido estudiado anteriormente.
Esos datos cubren estrellas cercanas y, a pesar de haber sido utilizado en el pasado, han encontrado ocho señales, que pasaron desapercibidas en aquel entonces, que parecen interesantes. En total, han analizado 150 terabytes de datos de 820 estrellas cercanas al Sol. Este conjunto de datos fue analizado en 2017 utilizando técnicas de búsqueda clásicas que determinaron que no contenían ninguna señal interesante. La llegada de telescopios como MeerKAT va ampliar la búsqueda de señales de vida a un millón de estrellas.
La necesidad de analizar datos rápidamente
Por ello, creen que este tipo de técnicas permitirán acelerar el ritmo al que se producen descubrimientos. Algo que permitirá estar más cerca de responder a la gran pregunta: ¿estamos solos en el universo?. La búsqueda de vida extraterrestre inteligente se centra en la búsqueda de tecnofirmas. Las biofirmas (señales de origen biológico) permiten detectar vida en general, siempre y cuando haya un planeta habitado. Las tecnofirmas, sin embargo, al ser señales de origen tecnológico, solo pueden tener como origen una civilización.
La técnica más común es la búsqueda de señales de radio. Es una gran manera de enviar información a grandes distancias entre las estrellas. Atraviesa rápidamente el polvo y gas que está presente en el espacio, y lo hace a la velocidad de la luz (casi 300 000 kilómetros por segundo). Muchas campañas de SETI (siglas en inglés de búsqueda de vida extraterrestre inteligente) utilizan antenas para intentar captar señales de radio que una civilización extraterrestre pudiese estar emitiendo. En este estudio, se repasaron datos del telescopio Green Bank.
Este observatorio, en Virginia Occidental, es parte de la campaña Breakthrough Listen que, en un primer momento, determinó que no había objetos de interés. El objetivo, ahora, era aplicar técnicas de aprendizaje de máquina a un algoritmo de búsqueda clásico para obtener resultados con más velocidad y precisión. Tras ejecutar el algoritmo, y repasar manualmente los datos para confirmar los resultados, las señales detectadas comparten algunas características clave. Aunque no indican la presencia de civilizaciones, necesariamente, son útiles.
El aprendizaje de máquina permitirá acotar mejor los objetos para la búsqueda de vida extraterrestre inteligente
Entre las características comunes nos encontramos con que son de banda estrecha. Es decir, su ancho espectral es pequeño, en un rango de unos pocos hercios. Las señales causadas por fenómenos naturales suelen ser de banda ancha. También muestran una pendiente. Eso indica que el origen de la señal tiene una aceleración relativa a los receptores utilizados. Es decir, no está cerca del observatorio. Las señales aparecen en observaciones al ver un objeto, pero no al mirar en otras direcciones. Esto es otro punto importante junto al anterior.
Las interferencias provocadas por las emisiones de radio del ser humano están presentes en ambas observaciones, porque la fuente de emisión es cercana. Los resultados, por tanto, permiten demostrar el valor de aplicar el aprendizaje de máquina para analizar los datos recopilados. Permiten realizar nuevos descubrimientos y lo hacen más rápido. Si se aplica a gran escala, explican los investigadores, será algo que transformará el campo de las tecnofirmas de radio. Este método permitirá entender mejor los datos que se recopilan.
También permitirá que se pueda actuar rápidamente para analizar los objetivos de nuevo. Los investigadores esperan poder aplicar este algoritmo en el sistema COSMIC del Instituto SETI. Se trata de una colaboración con el Very Large Array para buscar posibles tecnofirmas. Con el paso de los años, el avance de la tecnología está permitiendo recoger datos cada vez más rápidamente. Por ello, la ayuda del aprendizaje automatizado es esencial para encontrar objetivos que puedan ser interesantes. Veremos si permite acercarse a responder a la gran pregunta…
Estudio
El estudio es P. Xiangyuan Ma, C. Ng, L. Rizk et al.; «A deep-learning search for technosignatures from 820 nearby stars». Publicado en la revista Nature Astronomy el 30 de enero de 2023. Puede consultarse en este enlace.
Referencias: Phys
