Новоразработен инструмент за машинно обучение може да помогне на учените да търсят признаци на живот на Марс и други извънземни светове.

Тъй като възможностите за събиране на проби от други планети са силно ограничени, понастоящем учените трябва да разчитат на методи за дистанционно наблюдение, за да търсят признаци на извънземен живот. Това означава, че всеки метод, който може да помогне за насочването или усъвършенстването на това търсене, би бил изключително полезен.

С оглед на това мултидисциплинарен екип от учени, ръководен от Ким Уорън-Роудс от Института SETI (Search for Extraterrestrial Intelligence) в Калифорния, картографира редките форми на живот, които обитават солни куполи, скали и кристали в Салар де Пахоналес: солна равнина на границата на чилийската пустиня Атакама и Алтиплано, или високото плато.

След това Уорън-Роудс работи в екип с Майкъл Филипс от Лабораторията по приложна физика на Университета "Джон Хопкинс" и изследователя от Оксфордския университет Фреди Калайцис, за да обучат модел за машинно обучение, който да разпознава моделите и правилата, свързани с разпределението на живота в суровия регион. Това обучение научи модела да открива същите модели и правила за широк спектър от пейзажи - включително такива, които може да се намират на други планети.

Екипът открива, че чрез комбиниране на статистическа екология с изкуствен интелект системата им може да открива и открива биосигнали в 87.5% от случаите. Това е в сравнение с не повече от 10% успеваемост, постигната при случайни търсения. Освен това програмата може да намали площта, необходима за търсене, с цели 97%, като по този начин помага на учените значително да се усъвършенстват в търсенето на потенциални химически следи от живот или биосигнатури.

"Нашата рамка ни позволява да съчетаем силата на статистическата екология с машинното обучение, за да открием и предскажем моделите и правилата, по които природата оцелява и се разпределя в най-суровите пейзажи на Земята", казва Уорън-Роудс. "Надяваме се, че други екипи по астробиология ще адаптират нашия подход за картографиране на други обитаеми среди и биосигнали."

Изследователите казват, че подобни инструменти за машинно обучение могат да бъдат приложени в роботизирани планетарни мисии като тази на марсохода Perseverance на NASA, който в момента издирва следи от живот на дъното на кратера Джезеро на Марс.

"С помощта на тези модели можем да разработим индивидуални пътни карти и алгоритми, които да насочват роувърите към местата с най-голяма вероятност да крият минал или настоящ живот - без значение колко е скрит или рядък", обяснява Уорън-Роудс.

Екипът избира Салар де Пахоналес за етап на тестване от своя модел за машинно обучение, тъй като той е подходящ аналог на сухия пейзаж на съвременния Марс. Районът представлява високопланинско сухо солено езеро, което е облъчвано с висока степен на ултравиолетова радиация. Въпреки че се смята за крайно негостоприемен за живот обаче, Салар де Пахоналес все още приютява някои живи същества.

Екипът събра почти 8000 изображения и над 1000 проби от Салар де Пахоналес, за да открие фотосинтезиращи микроби, живеещи в солните куполи, скалите и алабастровите кристали в региона. Пигментите, които тези микроби отделят, представляват възможен биосигнатура на "стълбата за откриване на живот" на NASA, която е предназначена да насочва учените да търсят живот извън Земята в рамките на практическите ограничения на роботизираните космически мисии.

Екипът също така изследва Салар де Пахоналес с помощта на снимки от дрон, които са аналогични на изображенията на марсианския терен, заснети от камерата HIRISE (High-Resolution Imaging Experiment) на борда на Mars Reconnaissance Orbiter. Тези данни им позволиха да установят, че микробният живот в Салар де Пахоналес не е случайно разпределен, а по-скоро е концентриран в биологични горещи точки, които са силно свързани с наличието на вода.

След това екипът на Уорън-Роудс обучава конволюционни невронни мрежи (CNN) за разпознаване и прогнозиране на големи геоложки характеристики в Салар де Пахоналес. Някои от тези особености като например шарена почва или полигонални мрежи се срещат и на Марс. CNN алгоритмите бяха обучени и за разпознаване и прогнозиране на по-малки микрохабитати, които най-вероятно съдържат биосигнатури.

Засега изследователите ще продължат да обучават своя изкуствен интелект на място, като в следващия етап ще тестват способността на CNN да предсказва местоположението и разпределението на древни вкаменелости от строматолити и устойчиви на сол микробиоми. Това би трябвало да му помогне да научи дали правилата, които използва при това търсене, могат да се приложат и при търсенето на биосигнатури в други подобни природни системи.

След това екипът възнамерява да започне да картографира горещи извори, вечно замръзнали почви и скали в сухи долини, като се надява да научи изкуствения интелект да се усъвършенства в потенциалните местообитания в други екстремни среди тук, на Земята, преди евентуално да изследва тези на други планети.

Снимка: NASA/JPL-Caltech/ASU/MSSS

Виж още: 3D-принтираната ракета на Relativity Space излетя, но не достигна орбита