فرارو- حدود ۵۴۰ میلیون سال پیش اشکال مختلف حیات ناگهان از کف اقیانوسهای گل آلود سیاره زمین شروع به ظهور کردند. این دوره به عنوان انفجار کامبرین شناخته میشود و این موجودات آبزی اجداد باستانی ما هستند. تمام حیات پیچیده روی زمین از این موجودات زیر آب تکامل یافته است. دانشمندان بر این باورند که تنها چیزی که لازم بود افزایش بسیار جزئی در سطح اکسیژن اقیانوس بالاتر از یک آستانه مشخص بوده است. اکنون ممکن است در میانه یک انفجار کامبرین برای هوش مصنوعی (AI) باشیم. در چند سال گذشته مجموعهای از برنامههای هوش مصنوعی فوقالعاده توانا مانند Midjourney، DALL-E ۲ و Chat GPT پیشرفت سریعی را که ما در یادگیری ماشین داشتهایم به نمایش گذاشته اند.
به گزارش فرارو به نقل از آسیا تایمز، هوش مصنوعی در حال حاضر تقریبا در تمام زمینههای علم برای کمک به پژوهشگران در انجام وظایف طبقه بندی معمولی استفاده میشود. هم چنین، هوش مصنوعی به تیم اخترشناسان رادیویی کمک میکند تا جستجوی حیات فرازمینی را گسترش دهند و نتایج تاکنون امیدوارکننده بوده اند.
به عنوان دانشمندانی که در جستجوی شواهدی از حیات هوشمند فراتر از زمین هستند تیم پژوهشی دانشگاه کورتین در استرالیا یک سیستم هوش مصنوعی ساخته اند که الگوریتمهای کلاسیک را در وظایف مرتبط با تشخیص سیگنال شکست میدهد. در پژوهش صورت گرفته تیم دانشگاه کورتین هوش مصنوعی برای جستجو در دادههای تلسکوپهای رادیویی به منظور یافتن سیگنالهایی که امکان تولید آن توسط فرآیندهای اخترفیزیکی طبیعی وجود نداشت آموزش دیده بودند.
هنگامی که به هوش مصنوعی مجموعه دادهای را که پیش مطالعه شده بود تغذیه کردند هشت سیگنال جالب که الگوریتم کلاسیک آن را از دست داده بود کشف کردند. برای روشن شدن بحث باید اشاره کرد که این سیگنالها احتمالا از هوش فرا زمینی نیستند و به احتمال زیاد موارد نادر تداخل رادیویی میباشند. با این وجود، یافتههای تیم دانشگاه کورتین که اخیرا در نشریه Nature Astronomy منتشر شدند نشان میدهند که چگونه تکنیکهای هوش مصنوعی مطمئنا نقشی مستمر در جستجوی هوش فرازمینی ایفا میکنند.
الگوریتمهای هوش مصنوعی "نمی فهمند" و "فکر نمیکنند". الگوریتمهای هوش مصنوعی در تشخیص الگو عالی هستند و برای کارهایی مانند طبقه بندی بسیار مفید میباشند، اما توانایی حل مسئله را ندارند. الگوریتمهای هوش مصنوعی تنها وظایف خاصی را انجام میدهند که برای انجام آن آموزش دیده اند.
بنابراین، اگرچه ایده هوش مصنوعی که هوش فرازمینی را تشخیص میدهد شبیه داستان یک رمان علمی تخیلی هیجان انگیز به نظر میرسد، اما هر دو اصطلاح ناقص هستند: برنامههای هوش مصنوعی هوشمند نیستند و جستجو برای هوش فرازمینی نمیتواند شواهد مستقیمی از هوش پیدا کند.
در عوض، اخترشناسان رادیویی به دنبال تکنوسیگنچرهای رادیویی هستند. این سیگنالهای فرضی نشان دهنده حضور فناوری و به طور نیابتی وجود جامعهای با قابلیت مهار فناوری برای ارتباطات هستند. برای پژوهش صورت گرفته الگوریتمی ایجاد کردیم که از روشهای هوش مصنوعی برای طبقه بندی سیگنالها به عنوان تداخل رادیویی یا نامزد امضای فنی واقعی استفاده میکند. الگوریتم به کار گرفته شده در پژوهش بهتر از آن چیزی بود که پژوهشگران امیدوار بودند.
جستجوهای تکنوسیگنچر به جستجوی سوزن در انبار کاه کیهانی تشبیه شده اند. تلسکوپهای رادیویی حجم عظیمی از دادهها را تولید میکنند و در آن مقادیر زیادی تداخل از منابعی مانند تلفنها، وایفای و ماهوارهها وجود دارد. الگوریتمهای جستجو باید بتوانند امضاهای فنی واقعی را از "مثبتهای نادرست" حذف کنند و این کار را به سرعت انجام دهند. طبقه بندی کننده هوش مصنوعی صورت گرفته در پژوهش این الزامات را ارائه میدهد.
برای ایجاد مجموعهای از دادههای آموزشی سیگنالهای شبیه سازی شده در دادههای واقعی قرارداده شدند و سپس از این مجموعه داده برای آموزش الگوریتم هوش مصنوعی به نام رمزگذار خودکار استفاده شد. همان طور که رمزگذار خودکار دادهها را پردازش میکرد آموخته بود ویژگیهای برجسته در دادهها را شناسایی کند.
در مرحله دوم، این ویژگیها به الگوریتمی به نام طبقه بندی "جنگل تصادفی" داده شدند. این طبقه بندی کننده درختهای تصمیم گیری را ایجاد میکند تا تصمیم بگیرد که آیا سیگنال قابل توجه است یا تنها تداخل رادیویی اساسا سوزنها را از انبار کاه جدا میکند. تیم پژوهشی پس از آموزش الگوریتم هوش مصنوعی بیش از ۱۵۰ ترابایت داده (۴۸۰ ساعت مشاهده) را از تلسکوپ گرین بانک در ویرجینیای غربی به آن تغذیه کرد. شناسایی ۲۰۵۱۵ سیگنال مورد علاقه صورت گرفت و تیم مجبور شد آن سیگنالها را به صورت دستی بررسی کند. از این تعداد هشت سیگنال دارای ویژگیهای تکنوسیگنچر بودند و نمیتوان آن سیگنالها را به تداخل رادیویی نسبت داد.
پژوهشگران برای بررسی و تایید این سیگنالها به تلسکوپ بازگشتند تا هر هشت سیگنال مورد نظر را دوباره مشاهده کنند. متاسفانه آنان موفق نشدند هیچ یک از آن سیگنالها را در مشاهدات بعدی خود بار دیگر شناسایی کنند.
این تیم پژوهشی پیشتر در موقعیتهای مشابهی قرار گرفته بود. برای مثال، آن تیم در سال ۲۰۲۰ میلادی سیگنالی را شناسایی کرده بود که مشخص شد تداخل رادیویی مخرب بوده است. در حالی که تیم بررسی کننده هشت نامزد جدید را زیر نظر خواهد گرفت محتملترین توضیح این است که آن نمودهای بیرونی غیر عادی نه بیگانگان بلکه تداخل رادیویی بودند. متاسفانه موضوع تداخل رادیویی راه به جایی نمیبرد. با این وجود، با ظهور فناوریهای جدید برای مقابله با آن مجهزتر خواهیم بود.
تیم انجام دهنده پژوهش اخیرا یک پردازنده سیگنال قدرتمند را در تلسکوپ MeerKAT در آفریقای جنوبی مستقر کرده است. MeerKAT از تکنیکی به نام تداخل سنجی برای ترکیب ۶۴ دیش خود به منظور عمل به عنوان یک تلسکوپ استفاده میکند. این تکنیک بهتر میتواند مشخص کند که سیگنال از کجا در آسمان میآید که به شدت مثبت کاذب ناشی از تداخل رادیویی را کاهش میدهد.
اگر اخترشناسان موفق به شناسایی نشانههای فناوری شوند که نمیتوان آن را به عنوان تداخل توضیح داد این موضوع به شدت نشان میدهد که انسانها تنها خالق فناوری در کهکشان نیستند. این یکی از عمیقترین اکتشافات قابل تصور خواهد بود. در عین حال، اگر دانشمندان هیچ چیز را شناسایی نکنند این لزوما بدان معنا نیست که ما تنها گونههای هوشمند با قابلیت فناوری در پیرامون هستیم. هم چنین، عدم شناسایی میتواند بدان معنا باشد که ما به دنبال نوع سیگنال مناسبی نبودهایم یا تلسکوپهای مان هنوز به اندازه کافی حساس نیستند تا ارسالهای ضعیف از سیارات فراخورشیدی دور را تشخیص دهند. ممکن است پیش از انجام یک انفجار کامبرین از اکتشافات لازم باشد از یک آستانه حساسیت عبور کنیم. از طرف دیگر، اگر واقعا تنها هستیم باید زیبایی و شکنندگی منحصر به فرد زندگی اینجا بر روی سیاره زمین را بررسی کنیم.