人工智慧在尋找外星生命中起到關鍵作用，能否第一個發現外星生命

從西弗吉尼亞州的山丘到澳大利亞鄉村的平原，一些世界上最大的望遠鏡正在監聽來自遙遠外星文明的訊號。

位於西弗吉尼亞州的羅伯特·C·伯德格林班克望遠鏡是尋找外星文明的幾個望遠鏡之一。圖片來源：Jim West/Alamy

尋找外星智慧，稱為 SETI（

the search for extraterrestrial intelligence

），是一種尋找可能來自遙遠太陽系、銀河系中技術先進文明的人造電磁輻射技術。近日發表的一項研究描述了讓機器學習（人工智慧 （AI） 的一個子集）來幫助天文學家快速篩選搜尋收集到的大量資料的技術。隨著 AI重塑許多科學領域，它對尋找地外生命有何希望？

“由於機器學習技術，這是 SETI 研究的新紀元，”加利福尼亞州山景城 SETI 研究所的行星天文學家 Franck Marchis 說。

大資料問題對於 SETI 來說是一個相對較新的問題。幾十年來，該領域幾乎沒有對任何資料進行限制篩選分析。天文學家弗蘭克德雷克於 1960 年開創了 SETI，當時他將位於西弗吉尼亞州格林班克的望遠鏡指向兩顆恆星並收聽無線電傳輸。隨後的大多數 SETI 搜尋也僅限於少數恆星。

但在 2015 年，億萬富翁尤里·米爾納 （Yuri Milner） 在加利福尼亞州伯克利資助了有史以來規模最大的 SETI 計劃：Breakthrough Listen 計劃，其目的是搜尋一百萬顆恆星以尋找智慧生命的跡象。該專案使用位於西弗吉尼亞州、澳大利亞和南非的望遠鏡，尋找來自恆星方向且頻率穩定變化的無線電發射，如果外星發射器位於相對於地球移動的行星上，就會產生這種頻率穩定變化的無線電發射。

資料風暴

問題在於，這些搜尋會產生大量資料——包括來自手機、GPS 和現代生活其他方面的地球干擾所產生的誤報。

SETI 研究所的天文學家 Sofia Sheikh 說：“我們尋找 SETI 訊號的最大挑戰不是獲取資料，困難的是將來自人類或地球的訊號與我們從銀河系其他地方中尋找的訊號區分開來。”

手動進行數百萬次觀察是不切實際的。一種常見的替代方法是使用演算法來尋找天文學家認為可能存在外星生命的訊號。但這些演算法可能會忽略與天文學家預期略有不同的潛在有用訊號。畢竟目前人類也只是以地球生命為基礎做出的各種推斷。一旦存在外星生命不以碳基構建生命，那麼他們所使用的訊號可能就不是我們所說的無線電訊號。儘管如此，現有的方式也已經體現了人類尋找外星生命的最好方式。

基於以上推斷及分析進入機器學習。機器學習演算法在大量資料上進行訓練，可以學習識別地球干擾的特徵，使其非常擅長濾除噪音。

被忽視的訊號

加州大學伯克利分校的 SETI 科學家 Dan Werthimer 說，機器學習還擅長識別不屬於傳統類別的候選地球外訊號，因此早期的方法可能會遺漏這些訊號。

專家們也說過我們不能總是預測外星人會發送給我們什麼。

加拿大多倫多大學的數學家和物理學家彼得馬團隊篩選了 820 顆恆星的 Breakthrough Listen 觀測，這些觀測使用 100 米口徑的 Robert C。 Byrd Green Bank 望遠鏡進行。他們構建了機器學習軟體來分析資料，這些資料收集了近 300 萬個有用訊號，但大部分被判定為地球干擾。然後，Ma 手動審查了大約 20，000 個訊號，並將它們縮小到 8 個有趣的候選訊號。

搜尋最終一無所獲——團隊第二次收聽時，所有八個訊號都消失了。但是這些方法可以用於其他資料，例如來自南非 64 臺射電望遠鏡的 MeerKAT 陣列的大量觀測，Breakthrough Listen 於 12 月開始使用這些資料。Ma 說，機器學習演算法還可以用於 SETI 存檔資料，以尋找以前可能被忽視的訊號。

公民 SETI

機器學習也是即將啟動的一項單獨的 SETI 工作的核心。2023年2 月 14 日，加州大學洛杉磯分校 （UCLA） 的天文學家將啟動一項社群科學專案，公眾志願者將對無線電訊號影象進行分類，並將其歸類為潛在的干擾型別，以訓練一臺機器- 學習演算法以搜尋來自 Green Bank 的 SETI 資料。

Werthimer 和他的同事使用機器學習得出了一個正在進行的 SETI 專案中要觀測的恆星排名，該專案使用世界上最大的單口徑望遠鏡，即

中國的 500 米 FAST 射電望遠鏡

。

加州大學洛杉磯分校的天文學家 Jean-Luc Margot 說，SETI 可能會繼續使用經典方法和機器學習方法的混合來分類資料。他說，經典演算法在識別候選訊號方面仍然表現出色，而機器學習“不是靈丹妙藥”。

“機器還不能做到這一切，”Werthimer 表示贊同。

在未來的外星探索中，人工智慧必定會起到關鍵作用，當然，最終還是要天文學家對大資料進行進一步分析篩選。

參考文獻：

doi： https：//doi。org/10。1038/d41586-023-00258-z

Ma， P。 X。

et al。

Nature Astron

。 https：//doi。org/10。1038/s41550-022-01872-z （2023）。