Impresión artística del telescopio Green Bank conectado a una red de aprendizaje automático. Créditos: Breakthrough Listen/Danielle Futselaar.

Durante más de sesenta años, los astrónomos y astrofísicos se han dedicado a la Búsqueda de Inteligencia Extraterrestre (SETI). Esto consiste en escuchar otros sistemas estelares en busca de signos de actividad tecnológica (o “firmas tecnológicas”), como transmisiones de radio. Este primer intento fue en 1960, conocido como Proyecto Ozma, donde el famoso investigador de SETI, el Dr. Frank Drake (padre de la Ecuación de Drake) y sus colegas utilizaron el Telescopio Robert C. Byrd Green Bank en Virginia Occidental para realizar un sondeo de radio de Tau Ceti. y Épsilon Eridani.

Desde entonces, la gran mayoría de las campañas SETI han buscado de manera similar señales de radio de banda estrecha, ya que son muy buenas para propagarse a través del espacio interestelar. Sin embargo, el mayor desafío siempre ha sido cómo filtrar las transmisiones de radio en la Tierra, también conocidas como interferencia de radiofrecuencia (RFI). En un estudio reciente, un equipo internacional dirigido por el Instituto Dunlap de Astronomía y Astrofísica (DIAA) aplicó un nuevo algoritmo de aprendizaje profundo a los datos recopilados por el Telescopio Green Bank (GBT), que reveló ocho señales prometedoras que serán de interés para Iniciativas de SETI como Breakthrough Listen.

Peter Xiangyuan Ma, investigador de pregrado de la DIAA y del Departamento de Matemáticas y Física de la Universidad de Toronto, dirigió el estudio. A él se unieron investigadores del Laboratorio de Radioastronomía de UC Berkeley, el Centro de Astrofísica Jodrell Bank (JBCA), el Instituto de Ciencias Espaciales y Astronomía, el Centro Internacional para la Investigación de Radioastronomía, el Instituto SETI y Breakthrough Initiatives. El artículo que describe sus hallazgos, “A deep-learning search for technosignatures of 820 nearby stars,”, apareció recientemente en Nature Astronomy.

Por el bien de su estudio, Ma y sus colegas aplicaron un algoritmo Autocodificador Variacional Beta-Convolucional a 820 objetivos únicos observados por el GBT durante 480 horas de observación en el cielo.

“En muchas de nuestras observaciones, hay mucha interferencia”, dijo Ma en un comunicado de prensa del Instituto Dunlap. “Necesitamos distinguir las emocionantes señales de radio en el espacio de las señales de radio sin interés de la Tierra”.

Ma comenzó a trabajar en este algoritmo cuando aún estaba en la escuela secundaria, que esperaba aceleraría SETI al agilizar la búsqueda de firmas tecnológicas. Según Ma, el algoritmo combina dos subtipos de aprendizaje automático (aprendizaje supervisado y no supervisado) que él llama “aprendizaje semi-no supervisado”. Este enfoque implica el uso de técnicas supervisadas para guiar y entrenar el algoritmo para ayudarlo a generalizar (usando técnicas no supervisadas) y encontrar patrones ocultos en los datos con mayor facilidad.

Desde que se unió al Instituto Dunlap, Ma y sus colegas han entrenado el algoritmo utilizando señales simuladas para diferenciar entre señales potenciales que podrían ser de origen extraterrestre e interferencias generadas por humanos. También compararon el algoritmo de Ma con varias aplicaciones de aprendizaje automático, su precisión y tasas de falsos positivos, y usaron esa información para crear el producto terminado. “Solo le dije a mi equipo después de la publicación del artículo que todo esto comenzó como un proyecto de la escuela secundaria que mis maestros no apreciaron mucho”, agregó Ma.

Imagen aérea del radiotelescopio sudafricano MeerKAT, parte del Square Kilometer Array (SKA). Créditos: SKA

Al aplicar este algoritmo a los datos de GBT, descubrieron ocho nuevas señales de radio de interés de cinco estrellas ubicadas entre 30 y 90 años luz de la Tierra. Estas señales fueron pasadas por alto por análisis previos que no se basaron en el aprendizaje automático. Pero para el equipo de SETI, estas señales se consideran notables por dos razones. El Dr. Steve Croft, científico del proyecto para Breakthrough Listen en GBT, explicó:

“Primero, están presentes cuando miramos la estrella y ausentes cuando miramos hacia otro lado, a diferencia de la interferencia local, que generalmente siempre está presente. En segundo lugar, las señales cambian de frecuencia con el tiempo de manera que parecen estar lejos del telescopio. Es un poco como caminar por un camino de grava y encontrar una piedra clavada en la suela de tu zapato que parece encajar perfectamente”.

Cuando se trata de conjuntos de datos que contienen millones de señales, algunas señales pueden tener las dos características por pura casualidad. Por esta razón, los investigadores aún no están convencidos de que las señales que observaron representen transmisiones extraterrestres, a pesar de que aparecen de la forma que el equipo esperaría. Para empezar, las señales no se encontraron cuando el equipo realizó observaciones de seguimiento con el GBT de las mismas estrellas. Hasta que se realicen más observaciones y las señales se detecten nuevamente, seguirán siendo señales de interés.

La Dra. Cherry Ng, investigadora asociada en el DIAA de la Universidad de Toronto y coautora del artículo, ha estado trabajando en este proyecto con Ma desde el verano de 2020. Según Ng, el aprendizaje automático es muy importante en un campo como SETI, que está cada vez más dominado por big data:

“Al hurgar en los datos con cada técnica, podríamos descubrir señales interesantes. Estoy impresionado por lo bien que ha funcionado este enfoque en la búsqueda de inteligencia extraterrestre. Con la ayuda de la inteligencia artificial, soy optimista de que podremos cuantificar mejor la probabilidad de la presencia de señales extraterrestres de otras civilizaciones”.

Una imagen compuesta de los futuros telescopios SKA, incluidas las estaciones SKA-Mid y SKA-Low en Australia con los platos del telescopio precursor MeerKAT en Sudáfrica. Créditos: SKAO

De cara al futuro, Ma y su equipo esperan actualizar su nuevo algoritmo y aplicarlo a otros observatorios y sus conjuntos de datos. Estos incluyen radiotelescopios como el conjunto MeerKAT en Sudáfrica y el Conjunto de Kilómetros Cuadrados (SKA), que pronto se completará, que combinará el MeerKAT y el Observatorio de Radioastronomía Murchison (MRO) en Australia en un solo conjunto poderoso. . Con estos y otros instrumentos a su disposición, Ma dice que el equipo planea escalar su enfoque de aprendizaje automático de manera importante.

“Con nuestra nueva técnica, combinada con la próxima generación de telescopios, esperamos que el aprendizaje automático pueda llevarnos de buscar cientos de estrellas a buscar millones”, dijo. “Con nuestra nueva técnica, combinada con la próxima generación de telescopios, esperamos que el aprendizaje automático pueda llevarnos de buscar cientos de estrellas a buscar millones”, dijo.

Este nuevo enfoque representa un candidato líder para acelerar SETI y otras investigaciones transitorias en la era de la astronomía basada en datos. Con el tiempo, la investigación de SETI podría seguir el ritmo de los descubrimientos de exoplanetas y los estudios de astrobiología, donde cada exoplaneta recién detectado puede examinarse rápidamente en busca de signos de biofirmas y tecnofirmas.

Lecturas complementarias en Inglés: Dunlap InstituteNature Astronomy

Artículo con fines divulgativos basado en el artículo original en Inglés.
Créditos: Matt Williams, Universe Today
Salvo indicación contraria este trabajo está licenciado por el autor bajo la licencia International Creative Commons Attribution 4.0.

Deja una respuesta

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.