Ученые из SETI Institute обучили модель машинного обучения определять возможные места обитания жизни на основе данных из экстремальных мест Земли. Этот подход может помочь в поиске жизни на Марсе и других планетах.
Как было бы замечательно, если бы мы точно знали, где искать жизнь на других мирах! Исследователи имеют ограниченные возможности для сбора образцов на Марсе или в других местах, а также доступа к дистанционным сенсорным инструментам при поиске жизни за пределами Земли. В статье, опубликованной в журнале Nature Astronomy, междисциплинарное исследование под руководством старшего научного сотрудника SETI Institute Ким Уоррен-Роудс обучило модель машинного обучения распознавать закономерности и правила, связанные с их распределением, чтобы она могла научиться их предсказывать и находить в данных, на которых она не была обучена. В этом случае, объединив статистическую экологию с ИИ/МО, ученые смогли определить и обнаружить биосигнатуры в 87,5% случаев (против ≤10% при случайном поиске) и уменьшить площадь поиска на 97%.
«Наша рамка позволяет нам объединить возможности статистической экологии с машинным обучением для обнаружения и предсказания закономерностей и правил, по которым природа выживает и распределяется в самых суровых ландшафтах на Земле,» - сказал Роудс. «Мы надеемся, что другие астробиологические команды адаптируют наш подход к картографированию других обитаемых окружений и биосигнатур. С этими моделями мы можем разрабатывать алгоритмы, направляющие роверы в места с наибольшей вероятностью наличия прошлой или настоящей жизни - независимо от того, насколько они скрыты или редки».
В конечном итоге, аналогичные алгоритмы и модели машинного обучения для многих различных типов обитаемых сред и биосигнатур могут быть автоматизированы на борту планетных роботов, чтобы эффективно направлять планировщиков миссий в районы с наибольшей вероятностью содержания жизни.
