Project Hail Mary AI மேம்பாடு பெறுகிறது

Search for Extraterrestrial Intelligence செயற்கை நுண்ணறிவிலிருந்து குறிப்பிடத்தக்க தொழில்நுட்ப மேம்பாட்டைப் பெறுகிறது, ஆராய்ச்சியாளர்கள் machine learning ஆனது ஒவ்வொரு நாளும் சேகரிக்கப்படும் பெரிய ரேடியோ தொலைநோக்கி தரவுகளில் உள்ள வெளிநாட்டு சமிக்ष்டாக்களைக் கண்டறியும் சாத்தியத்தை வியத்தகையாக மேம்படுத்தக்கூடும் என்று வாதிடுகின்றனர். SETI சமூதாயத்தில் Project Hail Mary என்று அனौபചारिकமாக சொல்லப்படும் இந்த முயற்சி, விஞ்ஞானத்தின் மிகப் பழமையான மற்றும் கடினமான கேள்விகளுக்கு நவீன AI திறன்களைப் பயன்படுத்த உத்தேசிக்கப்பட்டுள்ளது.

பாரம்பரிய SETI தேடல்கள் குறிப்பிட்ட வகையான சமிக்ష்டாக்களைக் கண்டறிய வடிவமைக்கப்பட்ட வழிமுறைகளைப் பொறுத்துள்ளது, அதாவது குறிப்பிட்ட ফ்रीक்வென்சிகளில் narrowband பரிமாற்றங்கள். இந்த அணுகுமுறைகள் பல தசாப்தங்களாக சுத்திகரிக்கப்பட்டுள்ளன, ஆனால் வெளிநாட்டு சமிக்ష்டா எப்படி இருக்கலாம் என்பதற்கு அவற்றின் கருதுகோள்களால் இயல்பாகவே sीमितமாக உள்ளன. செயற்கை நுண்ணறிவு அமைப்புகள், இதற்கு எதிரெதிராக, முன்கூட்டியே எதைத் தேட வேண்டும் என்று சொல்லாமல் விநோதங்கள் மற்றும் முறைகளைக் கண்டறிய பயிற்றுவிக்கப்படலாம்.

AI விளையாட்டை எவ்வாறு மாற்றுகிறது

SETI இன் அடிப்படை சவால் சோரையில் சமிக்ష்டா கண்டறிதல். ரேடியோ தொலைநோக்கிகள் பிரமாண்டமான தரவைத் திரட்டுகின்றன, அவற்றில் பெரும்பாலும் நட்சத்திரங்கள், கிலாக்சிகள் மற்றும் பிற ஆஸ்ட்ரோபிஸிக்கல் மூலங்களில் இருந்து இயற்கையான ரேடியோ உদிப்பு, செயற்கைக்षेत்र, விமானங்கள் மற்றும் நிலம்-ভিত்திக transmitters கள் இலிருந்து மனிதனால்-निर्मित ரேडियो ফ্रीକোয়েন্সी జోక్యం అధ్यారోపితమైనది. ఈ సర్వ్‌నుండి వിদేశీయ సిग్నల్‌ను కనుగొనడం అంటే దానిని సహజమైన మరియు మానవ-నిర్మిత రెండు మూలాల నుండి వేరు చేయడం.

Machine learning నమూనాలు ఈ రకమైన నమూనా గుర్తింపులో ఉత్తమంగా పనిచేస్తాయి. సాంప్రదాయిక అల్గారిథమ్‌లు కోల్పోయే రేడియో చిహ్నాలను AI గుర్తించగలదని నిపుణులు ఇప్పటికే ప్రదర్శించారు. 2023 అధ్యయనంలో, machine learning వ్యవస్థ Green Bank Telescope సంగ్రహ డేటాలో ఎనిమిది గతంలో చేసిన సिग్नલ్‌లను కనుగొంది, అయినప్పటికీ ఏవీ చివరికి విదేశీయ అని నిర్ధారణ చేయబడలేదు.

కొత్త సिग్नल్ రకాలను శోధించాలి

AI కూడా SETI లో సాంప్రదాయకంగా విస్మరించిన సिग్నల్ రకాలను శోధించే ద్వారం తెరిస్తుంది. ఉదాహరణకు, పూర్తిగా అభిన్న సభ్యత spread-spectrum పద్ధతులను ఉపయోగించవచ్చు, ఇది విస్తృత ఫ్రీక్వెన్సీ పరిధిలో సིг్నల్‌ను విభజిస్తుంది, ఇది సంప్రదాయ narrowband డిటెక్టర్‌కు శోరువంటి కనిపిస్తుంది. లేదా వారు ఫ్రీक్వెన్సీ లక్ష్ణతల కంటే కాల నమూనాలలో సమాచారాన్ని కోడ్‌చేసే పద్ధతిలో సिग్నల్‌లను modulate చేయవచ్చు.

సందేహం మరియు ఆశ

అన్ని SETI నిపుణులు AI విధానం గురించి సమానంగా ఆందోళన చెందరు. కొందరు machine learning వ్యవస్థలు false positives సృష్టించవచ్చని హెచ్చరిస్తారు, నిజమైనది కాని శోరుమధ్య నమూనాలు కనుగొంటారు. SETI చరిత్ర అసంఖ్యాక candidate సిග్నల్‌లను కలిగి ఉంది, ఇవి ఆ తరువాత సహజ దృగ్విషయం లేదా మానవ జోక్యం ద్వారా వివరించబడ్డాయి, మరియు AI అటువంటి తప్పు అలారమ్‌ల రేటును పెంచవచ్చు. అయితే, SETI సమాజం విస్తృతంగా AI నిజమైన ఫরవర్డ్ పదక్షేపణ సూచిస్తుందని ఆశాభిలాషిత. సాధనాలు మరిన్ని శక్తిశాలీ అయితే, డేటా వాల్యూమ్ పెరుగుతోంది, మరియు శోధన కార్యతంత్రాలు మరిన్ని పరిశీలిత. నిపుణులు సిग్నల్ కనుగొనటానికి ఉత్తమ మార్గం ఉపलబ్ధ సర్వోత్తమ సాధనాలతో సమర్థవంతంగా చేయడం ఎందుకంటే వాదిస్తారు.

ఈ కథ Universe Today ద్వారా నివేదనపై ఆధారపడింది. ఒరిజినల్ కథ చదువండి.