एआय परदेशी सिग्नलच्या शोधात गती आणू शकते, SETI म्हणतो

प्रोजेक्ट हेल मेरीला एआय अपग्रेड मिळतो

परदेशी बुद्धिमत्तेचा शोध हा कृत्रिम बुद्धिमत्तेच्या महत्त्वाचा तांत्रिक वाढ प्राप्त करत आहे. संशोधकांचे म्हणणे आहे की मशीन लर्निंग दररोज संकलित केलेल्या विशाल रेडिओ दूरदर्शक डेटामधून परदेशी सिग्नल शोधण्याची शक्यता नाटकीयरित्या सुधारू शकते. या उद्यमाला SETI समुदायातील प्रोजेक्ट हेल मेरी असे अनौपचारिकरित्या संबोधले जाते, ज्याचा उद्देश विज्ञानाच्या सर्वात जुन्या आणि सर्वात आव्हानात्मक प्रश्नांपैकी एकामध्ये आधुनिक एआय क्षमता लागू करणे हा आहे.

पारंपरिक SETI शोध विशेष प्रकारचे सिग्नल शोधण्यासाठी डिजाइन केलेल्या अल्गोरिदमवर अवलंबून असतात, जसे की विशिष्ट वारंवारतांवर नॅरोबँड ट्रान्समिशन. हे दृष्टिकोन दशकांमध्ये परिष्कृत केले गेले आहेत परंतु परदेशी सिग्नल कसा दिसू शकतो याविषयी अनुमानांद्वारे स्वाभाविकरित्या मर्यादित आहेत. याच्या विरुद्धार्थ, एआय प्रणाली विसंगत वस्तूंचे पुरस्कार करू शकतात आणि आगाऊ काय शोधायचे हे सांगितल्याशिवाय नमुने शोधू शकतात.

एआय गेम का बदलते

SETI चा मूलभूत आव्हान आवाजामध्ये सिग्नलचा शोध आहे. रेडिओ दूरदर्शक अचंबित प्रमाणात डेटा संकलित करतात, त्यातील बहुतांश तारे, आकाशगंगा आणि इतर खगोलभौतिकीय स्रोतांकडून नैसर्गिक रेडिओ उत्सर्जन आहेत, उपग्रह, विमान आणि जमीन-आधारित ट्रान्समीटर्सकडून मानव-निर्मित रेडिओ वारंवारता हस्तक्षेपाने आच्छादित आहेत. या गोड्यामधून परदेशी सिग्नल शोधण्यासाठी नैसर्गिक आणि मानव-निर्मित दोन्ही स्रोतांमधून ते वेगळे करणे आवश्यक आहे.

मशीन लर्निंग मॉडेल्स अगदी या प्रकारचे नमुने ओळख करण्यात उत्कृष्ट आहेत. संशोधकांनी आधीच हे दर्शविले आहे की एआय पारंपरिक अल्गोरिदमकडून चुकणारी वैशिष्ट्ये असलेली रेडिओ सिग्नल ओळखू शकते. 2023 च्या एका अभ्यासात, मशीन लर्निंग सिस्टमने ग्रीन बँक दूरदर्शकच्या आर्काइव्हल डेटामधून आठ पूर्वीची दुर्लक्ष केलेली सिग्नल यस्वित करीत शोधली, जरी कोणीही अंतिमत: परदेशी असल्याचे पुष्टी केली नाही.

एआय चा मुख्य फायदा मानव अनुमानांऐवजी डेटामधून शिकण्याची क्षमता आहे. पारंपरिक SETI अल्गोरिदम परदेशी तंत्रज्ञानाबद्दल विशेष गृहीतकांना कोडमध्ये भरतात, जसे की परदेशी सभ्यता हायड्रोजन रेषेच्या जवळ वारंवारतांवर नॅरोबँड सिग्नल प्रसारित करतील असे गृहीत. एआय प्रणाली ज्ञात सिग्नल प्रकारांवर प्रशिक्षित केली जाऊ शकते आणि नंतर कोणतेही स्थापित श्रेणीत न बसणारे काही दुर्लक्ष करण्यासाठी कार्य केले जाऊ शकते, संभवत: मानव-डिजाइन केलेले अल्गोरिदम दुर्लक्ष करतील असे सिग्नल पकडते.

डेटा बाढीची प्रक्रिया

आधुनिक रेडिओ दूरदर्शक अरेज पारंपरिक विश्लेषण पद्धतींची क्षमता ओलांडलेल्या दरांवर डेटा तयार करतात. स्क्वेअर किलोमीटर अरे, सध्या ऑस्ट्रेलिया आणि दक्षिण आफ्रिकामध्ये बांधल्या जात आहे, दिनभरात संपूर्ण इंटरनेटपेक्षा अधिक डेटा तयार करेल. ब्रेकथ्रू लिस्टन, आजपर्यंत सर्वात व्यापक SETI कार्यक्रम, आधीच पेटाबाइट्स रेडिओ दूरदर्शक डेटा जमा केले आहेत ज्याचे केवळ अंशत: विश्लेषण केले गेले आहे.

एआय प्रक्रिया पारंपरिक पद्धतीपेक्षा या डेटा बॅकलॉगमधून खूप द्रुत काम करू शकते, आणि नवीन डेटा स्ट्रीम येत असताना सतत काम करू शकते. हे विशेषतः महत्त्वाचे आहे कारण SETI मूलत: संख्यांचा खेळ आहे. आकाशचा जितका अधिक सर्वेक्षण केला जातो, जितनी अधिक वारंवारता तपासल्या जातात, आणि जितका अधिक परिष्कृत सिग्नल शोध आहे, काहीतरी शोधण्याची शक्यता जितकी अधिक असते.

बर्कले SETI संशोधन केंद्रातील संशोधकांनी रेडिओ वारंवारता सिग्नल शोधण्यासाठी विशेषतः अनुकूलित न्यूरल नेटवर्क आर्किटेक्चर विकसित केले आहे. हे प्रणाली वास्तविक-समय मध्ये कच्चे दूरदर्शक डेटा प्रक्रिया करू शकतात, मानव पुनरावलोकनासाठी संभाव्य सिग्नल चिन्हांकित करतात तर मोठ्या बहुतांश आवाज आणि हस्तक्षेप नकारतात.

नवीन सिग्नल प्रकार शोधणे

एआय परदेशी सिग्नल प्रकार शोधण्याचे दरवाजे खोलते जे पारंपरिकरित्या SETI मध्ये विचारात घेतले गेले नाहीत. उदाहरणार्थ, पुरेसे प्रगत सभ्यता पसरलेल्या-स्पेक्ट्रम तंत्र वापरू शकते जे सिग्नल विस्तृत वारंवारता श्रेणीमध्ये वितरित करतात, ज्यामुळे ते पारंपरिक नॅरोबँड संसूचकांसाठी आवाज दिसतात. किंवा ते वारंवारता वैशिष्ट्यांऐवजी ऐतिहासिक नमुन्यांमध्ये माहिती एन्कोड करून सिग्नल मॉड्यूलेट करू शकतात.

विविध सिग्नल प्रकारांवर प्रशिक्षित मशीन लर्निंग प्रणाली संभवत: या गैर-पारंपरिक ट्रान्समिशन शोधू शकतात. काही संशोधकांनी परदेशी तंत्रज्ञानाबद्दल विविध अनुमानांच्या अंतर्गत तयार केलेल्या सिम्युलेटेड परदेशी सिग्नलवर एआय प्रशिक्षण देण्याचा प्रस्ताव देखील दिला आहे, कोणतेही एकल गृहीतकात्मक दृष्टिकोन साध्य करू शकतील त्यापेक्षा अधिक व्यापक शोध स्पेस तयार करीत आहे.

रेडिओच्या पलीकडे तकनीकी सूचना शोधण्यासाठी एआय वापरण्यात वाढती आहेत, ज्यात ऑप्टिकल लेजर पल्स, मेगास्ट्रक्चर्सकडून अवरक्त अतिरिक्त, आणि एक्सोप्लॅनेट स्पेक्ट्रामध्ये वातावरणीय जैवसिग्नेचर समाविष्ट आहेत. यापैकी प्रत्येक शोध पद्धती आपले स्वतःचे डेटा आव्हान तयार करते जे एआय संबोधित करण्यास योग्य आहे.

संशयिता आणि आशा

सर्व SETI संशोधक एआय दृष्टिकोनाबद्दल समान उत्साही नाहीत. काहीजण सावधान करतात की मशीन लर्निंग प्रणाली खोटी सकारात्मकता तयार करू शकते, ज्यात खरोखर अस्तित्वात नसलेल्या आवाजामधून नमुने शोधतात. SETI च्या इतिहासात संभाव्य सिग्नलचे असंख्य उमेदवार आहेत जे नंतर नैसर्गिक घटना किंवा मानव हस्तक्षेपाद्वारे स्पष्ट केले गेले, आणि एआय अशा खोट्या अलर्टचा दर वाढवू शकते.

इतर असे निर्देश करतात की सुधारित सिग्नल शोध महत्त्वाचे नाही जर कोणीच प्रसारण करत नसेल किंवा परदेशी सभ्यता अशी संप्रेषण पद्धती वापरतील जी वर्तमान तंत्रज्ञानाने मूलत: शोधण्यायोग्य नाहीत. फर्मी विरोधाभास, विशाल संख्येने संभाव्य अधिवास योग्य ग्रहांच्या असत्वे परदेशी बुद्धिमत्ता आजपर्यंत का शोधले गेले नाही या प्रश्नाचे उत्तर असे असू शकते जे कोणतेही तांत्रिक सुधार दूर करू शकत नाहीत.

या चेतावणींनी असूनही, SETI समुदाय व्यापकपणे आशावादी आहे की एआय खरी प्रगती दर्शवते. साधने अधिक शक्तिशाली होत आहेत, डेटा खंड वाढत आहे, आणि शोध धोरणे अधिक परिष्कृत होत आहेत. हे काही गोष्टीला परदेशी बुद्धिमत्ता शोधण्याचा कारण बनतो की नाही हे अज्ञात राहते, परंतु संशोधक असे तर्क करतात की शोधण्याचा सर्वोत्तम मार्ग म्हणजे उपलब्ध सर्वोत्तम साधनांसह प्रभावीपणे पाहणे.

हा लेख युनिव्हर्स टुडे द्वारे रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.