Нейросети в астрономии. Как ИИ поможет найти жизнь на Марсе

Нейронные сети становятся все более популярными в астрономии благодаря их способности анализировать большие наборы данных и выполнять сложные задачи, такие как классификация изображений, обнаружение объектов и прогнозирование данных.

Группа исследователей из разных стран обнаружила, что использование искусственного интеллекта (ИИ) может помочь выявить скрытые закономерности в географических данных, которые могут указывать на существование жизни на Марсе. Поскольку есть всего несколько шансов собрать образцы с Марса для поиска внеземной жизни, важно выбрать те места, которые имеют наибольший потенциал для ее обнаружения. Исследователи использовали методы машинного обучения и искусственный интеллект для выявления скрытых закономерностей в географических данных, которые могут свидетельствовать о наличии жизни на Марсе.

Исследование под названием «Orbit-Earth for Decoding and Predicting Biosignature Patterns in Earthly Analogs» было опубликовано в научном журнале Nature Astronomy. Ученые создали модель, способную обнаружить биосигнатуры, которые могут указывать на наличие жизни на Марсе. Первая часть исследования, проведенного под руководством доктора Кимберли Уоррен-Роадс из Института SETI, включала экологическое обследование территории площадью 3 км² в бассейне Салар-де-Пахоналес, расположенном на границе чилийской пустыни Атакама и Альтиплано в Южной Америке. Это было использовано для составления карты распределения фотосинтезирующих микроорганизмов, а секвенирование генов и инфракрасная спектроскопия были использованы для выявления различных маркеров жизни, известных как «биосигнатуры». Аэрофотоснимки были объединены с этими данными для обучения модели машинного обучения, чтобы предсказать типы макро- и микрообитаний, которые могут содержать биосигнатуры, указывающие на жизнь на Марсе и других планетах.

Полученная модель смогла обнаружить биосигнатуры с точностью до 87,5% на данных, на которых она не была обучена, сократив площадь поиска, необходимую для обнаружения признаков жизни, до 97%. В будущем обнаружение жизни на Марсе может быть достигнуто путем определения областей, которые с наибольшей вероятностью содержат биосигнатуры, а затем их тщательного поиска с помощью марсоходов.

Доктор Фредди Калаитзис с факультета компьютерных наук Оксфордского университета руководил применением методов машинного обучения к данным. Он сказал: «Это исследование демонстрирует управляемый искусственным интеллектом протокол для поиска жизни на земном аналоге Марса на Земле. Этот протокол является первым в своем роде, обученным на реальных полевых данных, и его применение, в принципе, может быть распространено на другие экстремальные жизненные среды. Нашими следующими шагами будет дальнейшее тестирование этого метода на Земле с целью, что в конечном итоге он поможет нам исследовать биосигнатуры в других местах Солнечной системы, таких как Марс, Титан и Европа».

Согласно заявлению, Пайоналес — это четырехмиллионнолетний озерный бассейн на Земле, который считается негостеприимным для большинства форм жизни и является одним из наиболее похожих аналогов Марса. В бассейне наблюдаются исключительно высокие уровни ультрафиолетового излучения, гиперсоленость и низкие температуры по сравнению с эвапоритовыми бассейнами Марса. Наличие воды, вероятно, является ключевым фактором в определении местоположения биологических горячих точек.

Исследователи собрали более 7700 изображений и 1150 образцов для проверки на наличие фотосинтезирующих микробов, живущих в соляных куполах, камнях и кристаллах алебастра, составляющих поверхность бассейна. Биосигнатурные маркеры, такие как каротиноидные и хлорофилловые пигменты, наблюдались в виде оранжево-розового и зеленого слоев, соответственно.

Команда объединила данные наземного отбора проб, трехмерное топографическое картирование и снимки с беспилотника, чтобы классифицировать регионы на четыре макроместообитания и шесть микроместообитаний. Несмотря на почти однородный минеральный состав Pajonales, микробные организмы в районе исследования были сгруппированы в разных регионах. Последующие эксперименты показали, что наличие воды является наиболее вероятным фактором, определяющим положение биологических очагов, а не переменные окружающей среды, такие как наличие питательных веществ или света.

Объединенный набор данных был использован для обучения сверточных нейронных сетей для прогнозирования макро- и микросреды обитания, наиболее тесно связанной с биопризнаками. Доктор Калаитзис заявил, что модель продемонстрировала высокую способность предсказывать наличие геологических материалов, которые, вероятно, содержат биосигнатуры, как для аэрофотоснимков, так и для сантиметровых наземных данных. Было установлено, что распределение биосигнатур тесно связано с гидрологическими характеристиками и хорошо согласуется с достоверными данными.

Модель будет использована для картирования других суровых экосистем, включая древние ископаемые строматолиты и горячие источники, а также почвы вечной мерзлоты, для проверки и обоснования гипотез о механизмах, используемых живыми организмами для выживания в экстремальных условиях.

Доктор Калаитзис добавил, что исследование продемонстрировало возможности методов машинного обучения для ускорения научных открытий путем анализа огромных объемов данных и выявления закономерностей, которые были бы неразличимы для человека. Исследователи надеются создать банк данных алгоритмов биосигнатур и вероятности обитаемости, дорожных карт и моделей, которые в конечном итоге смогут направлять исследования жизни на Марсе с использованием этого подхода.

Классификация галактик

Нейронные сети использовались для классификации галактик на основе их формы и морфологии. Эта задача важна для изучения эволюции галактик и понимания распределения темной материи во Вселенной.

Обнаружение экзопланет

Нейронные сети обучены обнаруживать экзопланеты путем анализа кривых блеска звезд. Этот метод более эффективен, чем традиционные методы, основанные на интерпретации данных человеком.

Звездная классификация

Нейронные сети можно использовать для классификации звезд на основе их спектральных характеристик. Это может помочь астрономам понять физические свойства звезд и их эволюцию с течением времени.

Обнаружение космических лучей

Нейронные сети могут использоваться для обнаружения космических лучей на изображениях неба. Это важно при изучении высокоэнергетических явлений во Вселенной.

Обнаружение гравитационных волн

Нейронные сети можно использовать для анализа данных детекторов гравитационных волн и идентификации сигналов, указывающих на наличие гравитационных волн. Это может помочь астрономам изучить поведение черных дыр и других объектов с высокой плотностью во Вселенной.