مطالعات جدید محققان نشان می دهد؛یک روش یادگیری ماشینی می تواند برای شناسایی موثر سیگنال های رادیویی غیر معمول از فضا برای تحقیقات بیشتر و در عین حال فیلتر کردن تداخل های امواج استفاده شود.
به گزارش سیناپرس، تیمی از محققان در مطالعات جدید خود از داده های جستجوی هوش فرازمینی (SETI) Breakthrough Listen Initiative استفاده کرده و هشت سیگنال مهم را که قبلاً شناسایی نشده بود، شناسایی کردند.
بر پایه این تحقیقات پیشنهاد شده است که تشخیص انواع خاصی از سیگنال های رادیویی می تواند نشانه ای از عمر فناوری بالقوه باشد، با توجه به این که سیگنال های رادیویی مصنوعی را می توان از سیگنال های طبیعی متمایز کرد.
به گزارش سیناپرس، برنامه‌های SETI برای دهه ها آسمان را با تلسکوپ های رادیویی اسکن می کنند تا سیگنال های مصنوعی بدون ابهام را که از ستاره ها می آیند، شناسایی کنند. با این حال، این جستجو به دلیل تداخل فناوری انسانی پیچیده است که می تواند شناسایی های مثبت کاذب ایجاد کند. موضوع فوق از آن جهت دارای اهمیت است که فیلتر کردن این امواج از مجموعه داده های بزرگ، اقدامی کاملا زمان بر است.
بر اساس این مطالعات، محققان یک روش انتخاب مبتنی بر یادگیری ماشین ارائه کردند که از آن برای بررسی بیش از ۴۸۰ ساعت داده های تلسکوپ گرین بانک رابرت سی بیرد با رصد ۸۲۰ ستاره استفاده شد.
به گزارش سیناپرس، این روش ۱۱۵مبتنی بر یادگیری ماشینی میلیون قطعه داده را تجزیه و تحلیل کرد که از بین آن ها حدود ۳ میلیون سیگنال دارای اهمیت شناسایی شد. سپس این روش توانست این میزان را به ۲۰ هزار و ۵۱۵ سیگنال کاهش دهد که بیش از ۱۰۰ برابر کمتر از تجزیه و تحلیل های قبلی از همان مجموعه داده است.
در نهایت پژوهشگران ۸ سیگنال مهم را که قبلاً شناسایی نشده بودند، کشف کردند؛ اگرچه مشاهدات بعدی این اهداف آن ها را دوباره شناسایی نکرد.
نویسندگان پیشنهاد می کنند: روش آنها می تواند برای سایر مجموعه‌های داده بزرگ درتسریع SETI و بررسی های مبتنی بر داده های مشابه اعمال شود.به گزارش سیناپرس، شرح کامل این مطالعات در آخرین شماره مجله تخصصی Nature Astronomy منتشر شده است.
مترجم: ندا جوادهراتی
منبع: natureasia
No tags for this post.