科学家用人工智能预测其它星球存在生命的可能性


    根据普利茅斯大学一个团队的最新研究,人工智能的发展可以帮助科学家预测其他行星上生命的可能性。该研究使用人工神经网络(ANNs)将行星分为五类,估计每种情况下的生命概率,这可以用于未来的星际探索任务。这项工作于4月4日由克里斯托弗·毕肖普先生在利物浦举行的欧洲天文与空间科学周(EWASS)上发表。人工神经网络是试图复制人脑学习方式的系统。它们是机器学习中使用的主要工具之一,尤其擅长识别复杂的模式,而这些模式对于生物大脑来说是非常复杂的。
    这张合成图像显示了土星卫星泰坦的红外图像,取自美国宇航局的卡西尼号宇宙飞船。一些措施表明,泰坦拥有除地球以外的任何世界的最高可居性评级,其基础是能源的可用性,以及各种表面和大气特征。图片版权:NASA / JPL / University of Arizona / University of Idaho
    该团队位于普利茅斯大学的机器人和神经系统中心,他们已经“”训练“”了这个网络,根据是否最像现在的地球、早期的地球、火星、金星或土星的卫星泰坦,将行星分成五种不同的类型。这五个都是已知有大气层的岩态天体,是太阳系中最适合居住的星球之一。毕肖普先生评论道:我们现在对这些ANNs感兴趣,因为他们对一个假想智能的星际飞船进行了探索,这是一种对太阳系外行星系统的扫描。
    研究大面积、可部署、平面菲涅尔天线的使用,以便从远距离的星际探测器传回地球数据,如果该技术将来用于机器人航天器,这将是必要的。大气观测——被称为光谱的五种太阳系天体,被作为输入到网络,然后被要求根据行星类型对它们进行分类。由于目前已知的生命只存在于地球上,所以分类使用了“生命概率”度规,这是基于对五种目标类型的相对较好的大气和轨道性质。毕肖普通过上百个不同的谱线对网络进行了训练,每个谱线都有几百个参数,这些参数都有助于适应居住环境。
    这些输入代表了来自测试行星大气光谱的数值。输出层包含一个“生命的概率”,它是基于输入与五个太阳系统目标相似度的测量。输入通过网络中一系列隐藏的层,这些层是相互连接的,使网络能够“学习”哪些谱线的模式对应于特定的行星类型。图片版权:Bishop / Plymouth University
    到目前为止,该网络在呈现之前从未见过的测试光谱剖面时表现良好。该项目的主管安杰洛·安杰洛西博士说:考虑到目前的结果,这一方法可能会被证明对分类不同类型的系外行星非常有用,它们使用来自地面和近地观测站的结果。这一技术可能也适合于为未来的观测选择目标,考虑到即将到来的太空任务,如ESA的Ariel space任务和NASA的詹姆斯·韦伯太空望远镜光谱细节的增加。