Vea También
 |
| (Danny C. Price/Mitad del viaje) |
En un nuevo artículo publicado en la revista Nature Astronomy, los astrónomos de la Iniciativa Breakthrough Listen -el mayor programa de investigación científica destinado a hallar indicios de civilizaciones extraterrestres- presentan un nuevo método basado en el aprendizaje automático que aplican a más de 480 horas de datos del telescopio Robert C. Byrd Green Bank, en las que se observaron 820 estrellas cercanas. El método analizó 115 millones de fragmentos de datos, a partir de los cuales identificó alrededor de 3 millones de señales de interés. A continuación, los autores inspeccionaron las 20.515 señales e identificaron 8 señales de interés no detectadas previamente, aunque las observaciones de seguimiento de estos objetivos no las han vuelto a detectar.
"El problema clave de cualquier búsqueda de tecnofirmas es buscar en este enorme pajar de señales para encontrar la aguja que podría ser una transmisión de un mundo alienígena", afirma el Dr. Steve Croft, astrofísico de la Universidad de California en Berkeley y miembro del equipo Breakthrough Listen.
"La gran mayoría de las señales detectadas por nuestros telescopios proceden de nuestra propia tecnología: satélites GPS, teléfonos móviles y similares".
"Nuestro algoritmo nos ofrece una forma más eficaz de filtrar el pajar y encontrar señales que tengan las características que esperamos de las tecnofirmas".
Los algoritmos clásicos de las tecnofirmas comparan exploraciones en las que el telescopio apunta a un punto objetivo del cielo con exploraciones en las que el telescopio se desplaza a una posición cercana, con el fin de identificar señales que puedan proceder únicamente de ese punto específico.
Estas técnicas son muy eficaces. Por ejemplo, pueden identificar con éxito la sonda espacial Voyager 1, a una distancia de 20.000 millones de km, en observaciones con el telescopio de Green Bank.
Pero estos algoritmos tienen dificultades en las regiones saturadas del espectro radioeléctrico, donde el reto es similar a escuchar un susurro en una habitación abarrotada.
El proceso desarrollado por el equipo inserta señales simuladas en datos reales y entrena un algoritmo de inteligencia artificial conocido como autocodificador para que aprenda sus propiedades fundamentales.
El resultado de este proceso se introduce en un segundo algoritmo conocido como clasificador de bosque aleatorio, que aprende a distinguir las señales candidatas del fondo ruidoso.
"En 2021, nuestros algoritmos clásicos descubrieron una señal de interés, denominada BLC1, en los datos del telescopio Parkes", explica el Dr. Andrew Siemion, investigador principal de Breakthrough Listen y astrónomo de la Universidad de California en Berkeley.
"El nuevo algoritmo es aún más eficaz para encontrar señales como ésta".
"Sin embargo, cualquier candidato a tecnofirma necesita ser confirmado, y cuando volvimos a observar estos objetivos con el telescopio de Green Bank, las señales no volvieron a aparecer".
"Pero aplicando esta nueva técnica a conjuntos de datos aún mayores, podemos identificar más eficazmente los candidatos a tecnofirma, y con suerte, eventualmente, incluso una tecnofirma confirmada."
"Estos resultados ilustran dramáticamente el poder de la aplicación de métodos modernos de aprendizaje automático y visión por ordenador a los desafíos de datos en astronomía, lo que resulta tanto en nuevas detecciones como en un mayor rendimiento", dijo el Dr. Cherry Ng, astrónomo del Centro Nacional Francés de Investigación Científica.
"La aplicación de estas técnicas a escala será transformadora para la ciencia de las tecnofirmas de radio".
Fuentes, créditos y referencias:
Créditos a SciNews