来源｜读芯术
图源：unsplash
“老兄，快看那东西！”美国海军飞行员发现飞行速度惊人的UFO后喊道。2020年4月，美国国防部解密了2004至2005年间海军飞行员拍摄的三段UFO视频。这些UFO的飞行速度极快。视频中这些海军飞行员的惊叹声清晰可闻，他们对快速飞行也略知一二。
“我们还没有调查清楚那些飞行物究竟是什么，但即使是对UFO的存在持坚定怀疑态度的人，看过这个视频后也难免动遥”
地球很可能不是宇宙中唯一承载生命的天体。银行系中有半数以上的类太阳恒星里可能分布着宜居的行星。计算表明，至少有170亿颗恒星可能适合居祝宇宙是如此浩瀚，地球怎么会是唯一存在生命的天体呢？
人工智能早已应用于探索外星生命
诸如SETI研究所（地外文明搜索）一类的组织如今正通过分析来自外太空的无线电频率寻找外星通讯。带有磁场的天体（例如恒星）可以产生无线电波，技术驱动型通讯也是如此，SETI正是在寻找这种通讯。
但为什么始终一无所获呢？原因是搜索技术落后，仅仅能完成整项工作的皮毛。SETI名誉主席吉尔塔特（Jill Tarter）说，如果将需要搜索的数据量比作地球上的海洋，那么当下的成就不过是一杯海水。如果仅舀起一杯海水来判断海洋里是否有鱼，可能就会得出海里无鱼的结论。
借助人工智能，我们得以分析海量数据
简而言之，人工智能教会电脑如何学习。这种能力十分强大，因为这样就无需每次都设计新的指令程序。“人工智能”实际上是包括机器学习、计算机视觉和自然语言处理在内的技术的简称。
机器学习是与分析空间数据、探索智能生命最为相关的技术。机器学习的核心是进行大规模数据分类、获得数据模式，从而产生人类无法拥有的洞察力。
更重要的是，人工智能可实现大规模自动化操作。通过将人工智能工具与现代计算机性能结合起来，可以处理大量的数据，这个数字远远超过一支工程师队伍几十年才能完成的目标。在人工智能领域，听取来自太空的无线电波并不需要满满一屋子人都带着耳机。整项工作基本上都由计算机完成。
SETI的艾伦望远镜阵列侦听外星人谈话
部分艾伦望远镜阵列
艾伦望远镜阵列(ATA)的唯一任务就是寻找外星通讯的证据。所有望远镜均朝向光年之外的行星系，以确定该区域的无线电波是否来自技术通讯。虽然听起来很简单，但ATA的功能非常强大，相比之下，其它望远镜都显得像儿童玩具。
2007年，在微软联合创始人保罗艾伦（Paul Allen）的支持下，望远镜阵列的各个部分得以组合建成，可以观察到更广阔的视野，这使得此阵列能够捕获更大范围的频率，收集更多的数据。
每台望远镜发出的无线电信号都被送到控制室，数字化成1和0，然后组合起来，其工作效果与一台巨型望远镜相当。
利用人工智能分析无线电频率（寻找外星人）
这是引入人工智能技术的最初目的。ATA采集到的连续射频数据流太大，人工无法处理，也很难确定哪些无线电模式异常或具有调查价值。其工作难度无异于大海捞针。
神经网络简化图
神经网络是机器学习的一个分支，可以解决上述问题。神经网络能够完成密集度更高的模式识别与任务分类工作。一个神经网络模型具有的“处理层”越多，可以处理的任务就越复杂。
将ATA采集的无线电波数据输入神经网络模型进行分析。该模型试图从无线电波的大量“噪音”中识别通信“信号”。这是在星系层面进行模式识别。重复且结构化的无线电波模式可能意味着通信。换句话说，该模型旨在寻找非常规现象。
神经网络模型试图从大量噪音中分离出信号
神经网络首先通过研究一小块夜空中的无线电频率来进行“学习”。从这个较小的数据集中，它可以学习到什么是“正常”声音。然后凭此过滤掉较大的射频数据集的背景信号，剩下一些“不正常”的重复信号或模式。这些剩下的光点可能代表潜在的外星通讯，将被发送给人类工程师进行进一步研究。
但这些光点也未必能证明存在外星通讯。它们可能只是模型无法识别的随机模式。随着时间推移，一旦模型学习了这一点，其工作也会更高效。
神经网络的优点在于，不需要编写代码来告诉系统“正常”是何种状态，而只需指示系统将数据分类存储，然后识别出常规模式，或者异常情况。事实上，其他行业已经在应用类似的神经网络模型。例如，银行一直在使用类似的模型来检测欺诈和洗钱等异常情况。
天文学领域的其他人工智能应用案例
人工智能可识别可能与地球相撞的小行星
NASA称，自动驾驶汽车采用的人工智能方法很快就可以用于探测可能与地球相撞的小行星，以及识别类地行星（系外行星）的宜居条件。
NASA前沿发展实验室(FDL)的机器学习软件不仅可以创建附近小行星的3D模型，还可以准确估计这些行星的大孝形状和自转速率。快速计算出这类信息对于识别对地球有威胁的小行星（以及在未来改变其轨道）至关重要
在传统软件技术的条件下，天文学家需要花费一到三个月的时间来分析一颗小行星。而现在的机器学习算法在短短四天内就能绘制出一颗小行星的渲染。
不久，神经网络可能会帮助人类快速识别宜居的系外行星。目前，研究利用望远镜数据来分析系外行星大气中的分子吸收或发射光波的过程。这种分析可反映出该行星的化学成分信息，例如大气中是否含有氧气。
到目前为止，我们已经发现了数千颗系外行星，但仍处于起步阶段。尽快找到“最宜居”的行星有助于集中精力和资源，避免大海捞针。
FDL团队与Google Cloud合作开发了一个神经网络模型，用以分析2008年发现的系外行星WASP-12b的大气成分。神经网络的性能优于基本的机器学习技术，甚至可以就预测结果的确定性进行打分。这个重要的特性有助于人们建立起对这些新模型的信任。
δ
相关文章
