SETI – Inteligencia artificial a la caza de Civilizaciones extraterrestres

147
SETI - Inteligencia artificial a la caza de Civilizaciones extraterrestres

RECIBE MÁS NOTICIAS COMO ESTA EN TU CORREO!

Suscríbete a nuestro boletín de noticias y conoce las historias de las que todo el mundo habla diariamente.

Gracias por suscribirse.

Algo salió mal.

El SETI informa que la Inteligencia artificial ya busca Civilizaciones extraterrestres

Los algoritmos de aprendizaje automático aplicados a los datos tomados con el Green Bank Telescope han permitido detectar nuevos flashes de radio rápidos de la misteriosa fuente Frb 121102. Además, los mismos algoritmos están ayudando a buscar nuevas señales, candidatos potenciales para la inteligencia extraterrestre. Los resultados se publicarán en ApJ y hablaremos de ello con Andrea Possenti del Inaf de Cagliari.

Anuncios

La inteligencia artificial ha invadido muchos campos, incluyendo la astronomía y la búsqueda de vida inteligente en el universo, llevada a cabo durante muchos años por el ambicioso programa Seti, acrónimo de Search for Extra-Terrestrial Intelligence.

Los investigadores de Breakthrough Listen, un proyecto de Seti dirigido por la Universidad de California, Berkeley, utilizaron el aprendizaje automático, también conocido como aprendizaje automático, para descubrir 72 nuevos Fast Radio Burst (Frb), flashes de radio rápidos de una fuente misteriosa a unos 3.000 millones de años luz de la Tierra.

Las ráfagas rápidas de radio son pulsos de emisión de radio, de duración de milisegundos, que se cree que se originan en galaxias distantes, aunque todavía no está claro cuál puede ser su fuente. Las teorías sobre el origen de estos eventos van desde estrellas de neutrones fuertemente magnetizadas explotadas por chorros de gas de agujeros negros supermasivos cercanos hasta sugerir que tales destellos podrían ser generados por una tecnología desarrollada por civilizaciones avanzadas.

Anuncios
SETI descubre docenas de señales de radio más misteriosas gracias a la inteligencia artificial
DasWortgewand / Pixabay

“Este trabajo es emocionante no sólo porque nos ayuda a entender el comportamiento dinámico de los flashes de radio rápidos con más detalle, sino también por el potencial que el trabajo pone de manifiesto en relación con el uso del aprendizaje automático para detectar señales que no han sido identificadas por los algoritmos clásicos”, explica Andrew Siemion, director del Seti Research Center de Berkeley e investigador principal de Breakthrough Listen, el programa dedicado a la búsqueda de señales de vida inteligente en el universo. En este sentido, Breakthrough Listen también está utilizando el algoritmo de aprendizaje automático para encontrar nuevos tipos de señales que pueden provenir de civilizaciones extraterrestres.

Anuncios

Mientras que la mayoría de los Frb son únicos, la fuente en cuestión, Frb 121102, es única en emitir destellos repetidos de señales de radio. Este comportamiento ha atraído la atención de muchos astrónomos con la esperanza de identificar la causa y la física extrema involucrada en estos rápidos Frb.

Anuncios

Algoritmos de inteligencia artificial escanearon las señales de radio grabadas el 26 de agosto de 2017, en un plazo de cinco horas, por el Green Bank Telescope, en West Virginia. Un análisis previo de los 400 terabytes de datos, usando algoritmos estándar, fue capaz de identificar 21 Frb durante ese período. Todos los eventos se habían visto en una hora, lo que sugiere que el comportamiento de la fuente alternaba entre períodos de inactividad y otros períodos de actividad agitada, dijo Vishal Gajjar, investigador de Berkeley en el proyecto Seti. Gerry Zhang, un estudiante de la Universidad de Berkeley, y su equipo desarrollaron un nuevo y poderoso algoritmo de aprendizaje automático y, al volver a analizar estos datos con su algoritmo, encontraron 72 Frb adicionales que no habían sido detectados originalmente. Esto eleva el número total de flashes detectados por Frb121102 a unos 300 desde que se descubrió en 2012.La NASA tiene un proyecto dedicado a encontrar vida extraterrestre (SETI)

“Este trabajo representa sólo el comienzo del uso de estos poderosos métodos para encontrar transitorios de radio”, dijo Zhang. “Esperemos que nuestro éxito sea una inspiración para aplicar el aprendizaje automático a la radioastronomía.”

El equipo de Zhang utilizó algunas de las mismas técnicas utilizadas por las empresas de tecnología de Internet para optimizar los resultados de búsqueda y clasificar las imágenes: “entrenaron” un algoritmo conocido como red neuronal convolucional para reconocer los flashes de radio encontrados con el método de búsqueda clásico utilizado por Gajjar y sus colaboradores, y luego lo utilizaron para encontrar Frb que el enfoque clásico no pudo detectar.

“Los sistemas de aprendizaje mecánico”, confirma Andrea Possenti, investigador del Inaf Cagliari y experto en Frb, a Media Inaf, a quien pedimos un comentario sobre la técnica desarrollada en Berkeley, “se están convirtiendo en un apoyo esencial en todos aquellos experimentos científicos que producen un pequeño número de eventos reales que se sumergen en una enorme marea de eventos espurios.

Anuncios

En radioastronomía, dos ejemplos típicos son los experimentos para la investigación de nuevos púlsares y los experimentos destinados a descubrir eventos transitorios, como el Fast Radio Burst. Hasta hace pocos años, sólo un ser humano podía leer los gráficos producidos por los distintos experimentos con la capacidad de interpretar lo necesario para discernir los eventos falsos de los probables eventos reales. Me recuerdo a mí mismo pasando cientos de horas escudriñando miles de gráficos de púlsares candidatos para captar sólo uno o dos nuevos descubrimientos entre ellos. Cuando los gráficos se convirtieron en millones, como en los experimentos modernos, fue imposible llevar a cabo un escrutinio manual eficiente y de ahí la necesidad de sistemas automáticos, a menudo basados en redes neuronales, para realizar un desbaste sustancial de los eventos”.

“La investigación ha progresado muy rápidamente en este campo. Por ejemplo”, continúa Possenti, “en los experimentos Htru y Superb para la investigación de púlsares y Fast Radio Burst, llevados a cabo en el radiotelescopio de Parkes en Australia (experimentos en los que participa el grupo Cagliari Inaf), los sistemas de aprendizaje de máquinas muy eficientes están ahora activos, lo que ha llevado al descubrimiento de púlsares que habían escapado a la inspección inicial de datos. Algo similar les sucedió a los colegas de Breakthrought Listen con los datos tomados el 26 de agosto de 2017 en el radiotelescopio de Green Bank: al filtrar estos datos al sistema de aprendizaje automático desarrollado por ellos, han más que cuadruplicado el número de pulsos observados en comparación con los descubiertos en un primer análisis de los datos. Y tener más eventos obviamente significa mejorar la capacidad de dar forma a la naturaleza física de este fenómeno todavía misterioso.

De hecho, los resultados han contribuido a poner nuevas restricciones a la periodicidad de los pulsos procedentes de Frb 121102, lo que sugiere que los pulsos no se reciben con un patrón regular, al menos si el período de ese patrón es superior a unos 10 milisegundos. Siemion argumenta que así como los patrones de pulsos de púlsares han ayudado a los astrónomos a crear condiciones físicas extremas en tales objetos, las nuevas mediciones de Frb les ayudarán a entender qué es lo que alimenta a estas misteriosas fuentes. “Ya sea que Frbs sean o no las firmas de la tecnología extraterrestre, Breakthrough Listen está ayudando a ampliar las fronteras de un área de investigación nueva y en rápido crecimiento con respecto a nuestra comprensión del universo que nos rodea”, concluye Siemion.

Anuncios