返回资讯中心
外部精选
软件工程
#开发者实时流

AI如何用于寻找地外生命:从射电干扰甄别到行星候选筛选

来源标题:AI in the Search for Extraterrestrial Life

研究人员正用机器学习剔除射电干扰、筛查行星候选、估算大气性质并为采样选址,但这些系统均未证实地球之外存在生命,NASA仍将地外生命搜寻视为开放科学问题。这些模型基于望远镜观测、实验室测量和模拟光谱等不同证据,目前尚无任何一项确证生命存在。

Hacker News 最新frolovmx2026/11/15 · 3 天前30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

一台射电望远镜在频率-时间图上记录到一条狭窄的轨迹。它可能值得再观测一次,也可能只是来自近处设备的干扰。模型可以把这条轨迹推到科学家待处理队列的前端;但要确定它究竟来自哪里,则需要另一种工作。

这一区分贯穿于寻找地外生命过程中的人工智能应用。研究人员利用机器学习排除射电干扰、检查行星候选体、估算大气性质,以及选择在哪里采集样本。这些系统处理的是不同的证据,从望远镜观测到实验室测量和模拟光谱。它们中没有一个已经证实地球之外存在生命:NASA 对这项搜索的表述仍然将其描述为一个开放的科学问题。

对工程师而言,有价值的故事在于这套机制本身:哪些团队有具体的任务,他们的模型输入什么、输出什么,以及有哪些数据和软件可供检查。本概述沿着这条链条,贯穿搜索工作的三个分支。想要寻找切入点的读者可以直接跳到数据集与工具对比部分。本文依据的是截至 2026 年 10 月核查过的已发表研究和项目文档;DataRoot Labs 并未复现这些实验。

SETI,即搜寻地外文明,寻找的是技术特征:即技术可能留下的可观测证据。无线电传输是一种可能;异常红外辐射是另一种。生物特征则涉及更广泛的生命,包括微生物生命。一种化学模式可能很有趣,但未必指向一个智慧文明。

系外行星研究与上述两者并行。找到一颗行星并估算其大气,有助于研究人员决定要调查什么,但这两步都不能证明该行星有生命居住。

横向滚动以浏览所有列 →

每条路径都经过相同的四个阶段,如下所示。在测量或校准过程中引入的误差,可能在经过复杂模型后依然存在。模型得分高,是在模型既定任务范围内值得进一步调查的理由,而不是后续阶段的替代品。

记录射电信号、光、化学模式或图像。

考虑仪器行为、噪声以及每个样本的来源。

产出一个候选体、一个大气估算值或一个采样优先级。

收集新证据并检验相互竞争的解释。

射电频谱图是一幅图像,一个轴是时间,另一个轴是频率,信号强度由亮度表示。地面发射机在这些图像中制造出大量结构。一次有用的搜索必须把有希望的模式从这种背景中区分出来,同时又不丢弃它希望找到的信号。

检验候选体的一种方法是在指向目标和指向别处之间交替。与目标相关的信号,其行为应当不同于在多次指向中都可见的干扰。UCLA SETI 小组的方向来源模型使用卷积神经网络来检查这些关系。其代码仓库包含代码和一个演示 notebook;README 中另有链接指向 Dryad 上的测试数据和训练权重。Zenodo 发布版本存档了该软件。

这是一个有用的例子,说明科学问题如何塑造学习任务。该网络评估的是多次观测之间的一致性。它并不是在一批已确认的地外传输上训练的;目前尚未确立任何这样的正样本。

在 2023 年发表于《Nature Astronomy》的一项研究中,Peter Ma 及其合作者分析了 Breakthrough Listen 的 Green Bank Telescope 对 820 颗恒星的观测。他们的系统将一个变分自编码器(用于学习输入的紧凑表示)与随机森林分类器相结合。训练时使用模拟信号对照观测背景。

这项搜索识别出八个感兴趣的信号。后续观测迄今尚未重新探测到它们。该结果展示了一种筛选观测并选择候选体的方法;它并不能确立八个地外源。

这种对比还需要一个强大的传统基线。Painter 及其同事后来的一篇预印本报告称,使用一种低复杂度的统计过程,恢复了此前由机器学习和经典搜索分别识别出的候选体。这使得"AI 找到了传统方法找不到的东西"成为对该领域的一种糟糕概括。

GLOBULAR 于 2025 年发表在《The Astronomical Journal》上,它通过已探测信号的性质来处理这个问题。它使用 HDBSCAN——一种聚类方法,可以将密集区域分组,而不必将每个点都分配给某个簇——来帮助去除射频干扰。

作者重新分析了 Green Bank 对 97 个附近星系的观测,这些星系此前仅用 turboSETI(一个标准的窄带信号检测流水线)搜索过。他们报告假阳性命中减少了 93.1%,假阳性事件减少了 99.3%。命中是指在一次观测中的探测;事件则将在目标/非目标序列中的探测联系起来。这些百分比衡量的是从那些观测中去除的不需要的候选体。

代价是灵敏度下降:仅使用 turboSETI 时,100 个注入的合成事件中恢复了 86 个,而聚类后为 69 个。该测试使用的是强信号、刻意构造的信号;这些计数并不能确立对望远镜可能遇到的每一种信号的灵敏度。

对于实施类似搜索的团队来说,实际问题是在测得的对注入信号的灵敏度下,还需要多少人工审查。这比在方便地平衡过的测试集上测得的分类器准确率更有参考价值。

戴森球搜索背后的想法是,大规模能源利用可能产生可探测的废热。因此,天文学家检查具有异常红外辐射的恒星,同时排查这种过剩的普通来源。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →