AI trong việc tìm kiếm sự sống ngoài Trái Đất: Phương pháp và giới hạn
Bắt đầu từ đây
Machine learning hiện được sử dụng trong nghiên cứu SETI, ngoại hành tinh và dấu hiệu sinh học để lọc nhiễu vô tuyến, sàng lọc các ứng viên hành tinh và ước tính các đặc tính khí quyển, nhưng chưa có hệ thống nào trong số này chứng minh được rằng sự sống tồn tại ngoài Trái Đất. DataRoot Labs đã công bố một bài tổng quan theo dõi công việc này qua ba nhánh đó, dựa trên các nghiên cứu đã công bố và tài liệu dự án được kiểm tra vào tháng 10 năm 2026; công ty cho biết họ chưa tái lập các thí nghiệm. Trong SETI vô tuyến, nhóm SETI của UCLA sử dụng mạng nơ-ron tích chập để đánh giá liệu một tín hiệu có nhất quán qua các lần hướng kính hay không. Một nghiên cứu năm 2023 trên Nature Astronomy của Peter Ma và các cộng sự đã kết hợp một variational autoencoder với một bộ phân loại random-forest và xác định tám tín hiệu đáng quan tâm trong số 820 ngôi sao được quan sát bởi Kính viễn vọng Green Bank của Breakthrough Listen; không tín hiệu nào trong tám tín hiệu đó được phát hiện lại trong các quan sát tiếp theo. Bài tổng quan cũng mô tả các ràng buộc thực tế: một bộ dữ liệu ví dụ có dung lượng khoảng 264 GB và được phát hành theo CC BY-NC 4.0, điều này hạn chế việc tái sử dụng cho mục đích thương mại, và một ví dụ hướng dẫn đầu tiên cần một môi trường Python với các phụ thuộc setigen và thư viện vẽ đồ thị nhưng không cần tải dữ liệu từ kính viễn vọng. DataRoot Labs cho biết họ đã kiểm tra tài liệu nhưng không chạy ví dụ đó.
Tạo từ các bài viết · cập nhật 1 giờ trước
Dòng thời gian bài viết
Theo các bài viết để thấy sự việc từ nhiều phía.
- Hacker News · AIAI trong việc tìm kiếm sự sống ngoài Trái Đất: Cách học máy lọc tín hiệu vô tuyến và sàng lọc ngoại hành tinh
Học máy đang được áp dụng trong nghiên cứu SETI, ngoại hành tinh và dấu hiệu sinh học để loại bỏ nhiễu vô tuyến, sàng lọc các ứng viên hành tinh và ước tính các đặc tính khí quyển, nhưng chưa có hệ thống nào trong số này xác lập được rằng sự sống tồn tại ngoài Trái Đất. Nhóm SETI của UCLA sử dụng mạng nơ-ron tích chập để đánh giá tính nhất quán của tín hiệu qua các lần hướng kính, trong khi một nghiên cứu năm 2023 trên Nature Astronomy của Peter Ma và các cộng sự đã kết hợp bộ mã hóa tự động biến phân với bộ phân loại rừng ngẫu nhiên để xác định tám tín hiệu đáng chú ý từ 820 ngôi sao được quan sát bởi Kính viễn vọng Green Bank của Breakthrough Listen, không có tín hiệu nào trong số đó được phát hiện lại trong các quan sát tiếp theo.
Độ nóng của sự việc này
Chưa đủ quan sát liên tục để vẽ xu hướng.