Project Hail Mary को AI अपग्रेड मिलता है
बाहरी बुद्धिमत्ता की खोज को कृत्रिम बुद्धिमत्ता से एक महत्वपूर्ण तकनीकी बढ़ावा मिल रहा है, शोधकर्ताओं का तर्क है कि मशीन लर्निंग हर दिन रेडियो दूरबीनों द्वारा एकत्र किए गए विशाल मात्रा में डेटा में छिपे विदेशी संकेतों का पता लगाने की संभावना को नाटकीय रूप से बढ़ा सकती है। यह पहल, जिसे SETI समुदाय के भीतर अनौपचारिक रूप से Project Hail Mary कहा जाता है, विज्ञान के सबसे पुराने और सबसे चुनौतीपूर्ण प्रश्नों में से एक पर आधुनिक AI क्षमताओं को लागू करने का लक्ष्य रखता है।
पारंपरिक SETI खोज विशिष्ट प्रकार के संकेतों का पता लगाने के लिए डिज़ाइन किए गए एल्गोरिदम पर निर्भर करती है, जैसे विशेष आवृत्तियों पर संकीर्ण बैंड संचरण। ये दृष्टिकोण दशकों से परिष्कृत किए गए हैं लेकिन विदेशी संकेत कैसे दिख सकते हैं इस बारे में धारणाओं द्वारा स्वाभाविक रूप से सीमित हैं। AI सिस्टम, इसके विपरीत, विसंगतियों और पैटर्न का पता लगाने के लिए प्रशिक्षित किए जा सकते हैं बिना उन्हें पहले से बताए कि क्या खोजना है।
AI खेल को कैसे बदलता है
SETI की मौलिक चुनौती शोर में संकेत का पता लगाना है। रेडियो दूरबीनें भारी मात्रा में डेटा एकत्र करती हैं, जिनमें से अधिकांश तारों, आकाशगंगाओं और अन्य खगोल-भौतिकीय स्रोतों से प्राकृतिक रेडियो उत्सर्जन होते हैं, जो उपग्रहों, हवाई जहाजों और जमीन-आधारित ट्रांसमीटर से मानव-निर्मित रेडियो आवृत्ति हस्तक्षेप से ढके होते हैं। इस घास के ढेर में एक विदेशी संकेत खोजने के लिए इसे प्राकृतिक और मानव-निर्मित दोनों स्रोतों से अलग करना आवश्यक है।
मशीन लर्निंग मॉडल इसी तरह के पैटर्न पहचान में उत्कृष्ट हैं। शोधकर्ताओं ने पहले ही दिखाया है कि AI उन रेडियो संकेतों की पहचान कर सकता है जिनमें पारंपरिक एल्गोरिदम मिस कर जाते हैं। 2023 के एक अध्ययन में, एक मशीन लर्निंग सिस्टम ने Green Bank Telescope से संग्रहीत डेटा में पहले से अनदेखे आठ संकेत मिले, हालांकि अंततः किसी को भी विदेशी के रूप में पुष्टि नहीं की गई।
AI का मुख्य लाभ मानव धारणाओं के बजाय डेटा से सीखने की क्षमता है। पारंपरिक SETI एल्गोरिदम विदेशी प्रौद्योगिकी के बारे में विशिष्ट परिकल्पनाओं को कूटबद्ध करते हैं, जैसे यह धारणा कि विदेशी सभ्यताएं हाइड्रोजन लाइन के पास आवृत्तियों पर संकीर्ण बैंड संकेत प्रसारित करेंगी। AI सिस्टम को ज्ञात संकेत प्रकारों पर प्रशिक्षित किया जा सकता है और फिर कुछ भी खोजने का काम सौंपा जा सकता है जो स्थापित श्रेणियों में फिट नहीं होता है, संभवतः मानव-डिज़ाइन किए गए एल्गोरिदम के द्वारा छूटने वाले संकेतों को पकड़ सकता है।
डेटा में बाढ़ का प्रसंस्करण
आधुनिक रेडियो दूरबीन सरणियां डेटा को उन दरों पर उत्पन्न करती हैं जो पारंपरिक विश्लेषण विधियों की क्षमता से बहुत अधिक हैं। Square Kilometre Array, जो वर्तमान में ऑस्ट्रेलिया और दक्षिण अफ्रीका में निर्माणाधीन है, प्रति दिन पूरे इंटरनेट से अधिक डेटा का उत्पादन करेगी। Breakthrough Listen, अब तक उपयोग की गई सबसे व्यापक SETI प्रोग्राम, पहले से ही रेडियो दूरबीन डेटा के पेटाबाइट जमा कर चुका है जिसका केवल आंशिक विश्लेषण किया गया है।
AI प्रसंस्करण इस डेटा को पारंपरिक तरीकों की तुलना में बहुत तेजी से काम कर सकता है, और जैसे-जैसे नया डेटा आता है लगातार ऐसा कर सकता है। यह विशेष रूप से महत्वपूर्ण है क्योंकि SETI मूलतः एक संख्या का खेल है। जितना अधिक आकाश का सर्वेक्षण किया जाए, जितनी अधिक आवृत्तियों की जांच की जाए, और संकेत पहचान जितनी अधिक परिष्कृत हो, किसी चीज़ को खोजने की संभावना उतनी ही अधिक है।
Berkeley SETI Research Center के शोधकर्ताओं ने रेडियो आवृत्ति संकेत पहचान के लिए विशेष रूप से अनुकूलित तंत्रिका नेटवर्क आर्किटेक्चर विकसित किए हैं। ये प्रणालियां दूरबीन के कच्चे डेटा को लगभग वास्तविक समय में संसाधित कर सकती हैं, मानव समीक्षा के लिए ब्याज के संभावित संकेतों को चिह्नित करते हुए शोर और हस्तक्षेप की भारी बहुमत को अस्वीकार करती हैं।
नए संकेत प्रकार खोजने के लिए
AI SETI में परंपरागत रूप से विचार न किए गए संकेतों के प्रकारों की खोज के दरवाजे को भी खोलता है। उदाहरण के लिए, एक पर्याप्त रूप से उन्नत सभ्यता स्प्रेड-स्पेक्ट्रम तकनीकों का उपयोग कर सकती है जो एक विस्तृत आवृत्ति रेंज पर संकेत वितरित करते हैं, इसे पारंपरिक संकीर्ण बैंड डिटेक्टर के लिए शोर जैसा बनाते हैं। या वे संकेतों को उन तरीकों से संशोधित कर सकते हैं जो आवृत्ति विशेषताओं के बजाय अस्थायी पैटर्न में जानकारी कूटबद्ध करते हैं।
विभिन्न संकेत प्रकारों पर प्रशिक्षित मशीन लर्निंग सिस्टम संभवतः इन गैर-पारंपरिक संचरणों का पता लगा सकते हैं। कुछ शोधकर्ताओं ने विदेशी प्रौद्योगिकी के बारे में विभिन्न धारणाओं के तहत उत्पन्न अनुकरणीय विदेशी संकेतों पर AI को प्रशिक्षित करने का प्रस्ताव भी दिया है, एक अधिक व्यापक खोज स्थान बनाते हुए जो किसी एकल परिकल्पना-संचालित दृष्टिकोण द्वारा प्राप्त की जा सकती है।
रेडियो से परे तकनीकी हस्ताक्षर की खोज के लिए AI का उपयोग करने में भी बढ़ती रुचि है, जिसमें ऑप्टिकल लेजर पल्स, मेगास्ट्रक्चर से अवरक्त अतिरिक्त, और एक्सोप्लैनेट स्पेक्ट्रा में वायुमंडलीय जैव संकेत शामिल हैं। इनमें से प्रत्येक पहचान पद्धति अपनी स्वयं की डेटा चुनौतियां उत्पन्न करती है जिनके लिए AI संभालने के लिए अच्छी तरह से सुसज्जित है।
संदेह और आशा
सभी SETI शोधकर्ता AI दृष्टिकोण के बारे में समान रूप से उत्साही नहीं हैं। कुछ चेतावनी देते हैं कि मशीन लर्निंग सिस्टम गलत सकारात्मक उत्पन्न कर सकते हैं, शोर में पैटर्न खोज रहे हैं जो वास्तव में वहां नहीं हैं। SETI के इतिहास में कई उम्मीदवार संकेत शामिल हैं जो बाद में प्राकृतिक घटनाओं या मानव हस्तक्षेप द्वारा समझाए गए, और AI ऐसी गलत अलर्ट की दर को बढ़ा सकता है।
अन्य लोग इंगित करते हैं कि बेहतर संकेत पहचान का कोई भी महत्व नहीं है यदि कोई प्रसारण नहीं कर रहा है, या यदि विदेशी सभ्यताएं संचार के ऐसे तरीके उपयोग करती हैं जो मौजूदा प्रौद्योगिकी के साथ बुनियादी रूप से अपरिचित हैं। Fermi paradox, यह सवाल कि हमने अभी तक विदेशी बुद्धिमत्ता का पता क्यों नहीं लगाया है इस बावजूद कि संभावित रूप से रहने योग्य ग्रहों की विशाल संख्या है, इसके पास ऐसी व्याख्याएं हो सकती हैं जिन्हें कोई तकनीकी सुधार पार नहीं कर सकता।
इन सावधानियों के बावजूद, SETI समुदाय व्यापक रूप से आशान्वित है कि AI एक वास्तविक कदम आगे का प्रतिनिधित्व करता है। उपकरण अधिक शक्तिशाली होते जा रहे हैं, डेटा वॉल्यूम बढ़ रहे हैं, और खोज रणनीतियां अधिक परिष्कृत हो रही हैं। चाहे यह सब विदेशी बुद्धिमत्ता की खोज की ओर ले जाए यह अज्ञात है, लेकिन शोधकर्ता तर्क देते हैं कि यह जानने का सबसे अच्छा तरीका उपलब्ध सर्वोत्तम उपकरणों के साथ यथासंभव प्रभावी ढंग से खोज करना है।
यह आलेख Universe Today की रिपोर्टिंग पर आधारित है। मूल आलेख पढ़ें.
