L’augmentation des données et l’apprentissage automatique ont propulsé SETI à la vitesse supérieure

Depuis plus de soixante ans, astronomes et astrophysiciens se consacrent à la recherche d’intelligence extraterrestre (SETI). Cela consiste à écouter d’autres systèmes stellaires à la recherche de signes d’activité technologique (ou « technosignatures »), comme les transmissions radio. Cette première tentative a eu lieu en 1960, connue sous le nom de Projet Ozma, où le célèbre chercheur du SETI, le Dr Frank Drake (père de l'équation de Drake) et ses collègues ont utilisé le radiotélescope de l'observatoire de Green Bank en Virginie occidentale pour mener une étude radio de Tau Ceti. et Epsilon Eridani.

Depuis lors, la grande majorité des enquêtes SETI ont également recherché des signaux radio à bande étroite, car ils se propagent très bien dans l’espace interstellaire. Cependant, le plus grand défi a toujours été de savoir comment filtrer les transmissions radio sur Terre – autrement dit. interférences radioélectriques (RFI). Dans une étude récente, une équipe internationale dirigée par l'Institut Dunlap d'astronomie et d'astrophysique (DIAA) a appliqué un nouvel algorithme d'apprentissage en profondeur aux données collectées par le Green Bank Telescope (GBT), qui a révélé huit signaux prometteurs qui intéresseront Initiatives SETI comme Breakthrough Listen.

Peter Xiangyuan Ma, chercheur de premier cycle à la DIAA et au Département de mathématiques et de physique de l'Université de Toronto, a dirigé l'étude. Il a été rejoint par des chercheurs du laboratoire de radioastronomie de l'UC Berkeley, du Jodrell Bank Center for Astrophysics (JBCA), de l'Institut des sciences spatiales et d'astronomie, du Centre international de recherche en radioastronomie, de l'Institut SETI et de Breakthrough Initiatives. L’article qui décrit leurs découvertes, « Une recherche d’apprentissage en profondeur des technosignatures de 820 étoiles proches », est récemment paru dans Nature Astronomy.

Supprimer toutes les publicités sur Universe aujourd'hui

Rejoignez notre Patreon pour aussi peu que 3 $ !

Bénéficiez d'une expérience sans publicité à vie

Les signaux radio à bande étroite restent la technosignature la plus populaire et la plus recherchée en raison de la façon dont les ondes radio se propagent dans l’espace interstellaire. Pour les chercheurs du SETI, le défi a toujours été de faire la distinction entre les transmissions possibles, les RFI terrestres et les ondes radio provenant de sources cosmiques. Pour le bien de leur étude, Ma et ses collègues ont appliqué un algorithme d’auto-encodeur variationnel bêta-convolutionnel à 820 cibles uniques observées par le GBT pendant 480 heures d’observation du ciel.

"Dans bon nombre de nos observations, il y a beaucoup d'interférences", a déclaré Ma dans un communiqué de presse du Dunlap Institute. "Nous devons distinguer les signaux radio passionnants dans l'espace des signaux radio inintéressants provenant de la Terre." "" Dans beaucoup de nos observations, il y a beaucoup d'interférences ", a déclaré Ma dans un communiqué de presse du Dunlap Institute. "Nous devons distinguer les signaux radio passionnants dans l'espace des signaux radio inintéressants provenant de la Terre."

Ma a commencé à travailler sur cet algorithme alors qu'il était encore au lycée, ce qui, espérait-il, accélérerait SETI en rationalisant la recherche de technosignatures. Selon Ma, l’algorithme combine deux sous-types d’apprentissage automatique – l’apprentissage supervisé et non supervisé – qu’il appelle « apprentissage semi-non supervisé ». Cette approche implique l'utilisation de techniques supervisées pour guider et entraîner l'algorithme afin de l'aider à se généraliser (en utilisant des techniques non supervisées) et à trouver plus facilement des modèles cachés dans les données.

Depuis qu'ils ont rejoint l'Institut Dunlap, Ma et ses collègues ont entraîné l'algorithme à l'aide de signaux simulés pour différencier les signaux potentiels pouvant être d'origine extraterrestre et les interférences générées par l'homme. Ils ont également comparé l'algorithme de Ma à diverses applications d'apprentissage automatique, leur précision et leurs taux de faux positifs, et ont utilisé ces informations pour créer le produit fini. « Ce n'est qu'après la publication du journal que j'ai dit à mon équipe que tout avait commencé comme un projet de lycée qui n'était pas vraiment apprécié par mes professeurs », a ajouté Ma.

En appliquant cet algorithme aux données GBT, ils ont découvert huit nouveaux signaux radio intéressants provenant de cinq étoiles situées entre 30 et 90 années-lumière de la Terre. Ces signaux ont été négligés par les analyses précédentes qui ne reposaient pas sur l’apprentissage automatique. Mais pour l’équipe SETI, ces signaux sont considérés comme remarquables pour deux raisons. Le Dr Steve Croft, scientifique du projet Breakthrough Listen sur le GBT, a expliqué :