هوش مصنوعی یا انسان کدام یک زودتر فرازمینی ها را پیدا می کند؟
به گزارش گروه هوش مصنوعی، الگوریتم های یادگیری ماشینی، روند جستجوی هوش فرازمینی را تغییر می دهند و سیگنال های احتمالی را سریع تر و بهتر از همیشه پیدا می کنند اما توسعه هوش مصنوعی می تواند تماس گرفتن با فرازمینی ها را پیچیده کند.
به گزارش گروه هوش مصنوعی به نقل از ایسنا و به نقل از اسپیس، «کیت کوپر»(Keith Cooper) از وب سایت اسپیس در مقاله جدیدی، وضعیت کنونی هوش مصنوعی و تاثیر آنرا بر ستاره شناسی و اکتشافات فضایی بررسی نموده است. کوپر در گزارش خود به این مورد پرداخته است که چگونه هوش مصنوعی به انسان ها کمک می نماید تا به شناسایی حیات بیگانه بپردازند.
کافی است یک تلسکوپ رادیویی را به سمت ستارگان آسمان بچرخانید تا فورا ناشنوا شود. از تپ اخترها تا کهکشان های رادیویی و اختلالات یونوسفر در جو گرفته تا تداخل فرکانس رادیویی ناشی از فناوری های خودمان، آسمان سرشار از نویز رادیویی است و جایی در بین همه این صداها امکان دارد سیگنالی از یک جهان دیگر پنهان شده باشد که شناسایی آن مانند یافتن یک سوزن در انبار کاه است.
بیشتر از ۶۰ سال است که دانشمندان آسمان را در جستجوی حیات فرازمینی بررسی می کنند اما هنوز هیچ موجود بیگانه ای را پیدا نکرده اند. وقتی حجم وسیع فضای جستجو را در نظر می گیریم و همه ستاره ها و فرکانس های رادیویی را در مقابل کاوشهای محدود خود قرار می دهیم، می بینیم جای تعجب نیست که ما هنوز حیات بیگانه را پیدا نکرده ایم. این یک کار دلهره آور است؛ بخصوص برای یک انسان.
نکته مثبت اینست که ما هوش غیرانسانی را برای پیوستن به جستجو داریم. استفاده کردن از هوش مصنوعی در زندگی روزمره و در حوزه علم به حد بالایی رسیده است. بنابراین، جای تعجب نیست که حالا در جستجوی هوش فرازمینی به کار گرفته شده است.
ما در مورد سیستم «اسکای نت»(Skynet) در فیلم «نابودگر»(Terminator) یا ماشین های مجموعه فیلمهای «ماتریکس»(Matrix) یا حتی فیلم «پیشتازان فضا»(Star Trek) صحبت نمی نماییم. هوش مصنوعی که هم اکنون بسیار مرسوم شده، مبتنی بر الگوریتم های یادگیری ماشینی است که برای انجام دادن کارهای بسیار ویژه طراحی شده است؛ حتی اگر فقط برای صحبت کردن با شما در ChatGPT باشد.
«ایمون کرینز»(Eamonn Kerins) پژوهشگر «دانشگاه منچستر»(University of Manchester) و ستاره شناس حوزه جستجوی هوش فرازمینی، برای توضیح دادن اینکه هوش مصنوعی چگونه به جستجوی هوش فرازمینی کمک می نماید، آنرا با یافتن سوزن در انبار کاه مقایسه کرد.
کرینز در مصاحبه با اسپیس اظهار داشت: شما اساسا با داده ها طوری رفتار می کنید که گویی کاه هستند. سپس از الگوریتم یادگیری ماشینی می خواهید که به شما بگوید آیا چیزی در بین داده ها وجود دارد که کاه نباشد و امیدوارید که سوزن را در انبار کاه پیدا کنید؛ مگر این که چیزهای دیگری هم در انبار کاه وجود داشته باشند.
چیزهای دیگر معمولاً تداخل فرکانس رادیویی هستند اما الگوریتم یادگیری ماشینی برای تشخیص دادن همه انواع تداخل فرکانس رادیویی که می شناسیم، آموزش داده شده است. این سیگنال ها الگوهای آشنای تلفن های همراه، فرستنده های رادیویی محلی، وسایل الکترونیکی و مواردی از این دست هستند که همان کاه محسوب می شوند.
«استیو کرافت»(Steve Croft) ستاره شناس پروژه «Breakthrough Listen» در «دانشگاه کالیفرنیا برکلی»(UC Berkeley) اظهار داشت: این آموزش شامل تزریق سیگنال ها به داده هاست. سپس، الگوریتم یاد می گیرد به دنبال سیگنال هایی باشد که مشابه آن هستند. الگوریتم یاد می گیرد که الگوی سیگنال های آشنا را نادیده بگیرد. اگر چیزی را در داده ها پیدا کند که در مورد آن آموزش ندیده باشد، آنرا بعنوان یک نمونه جالب علامت گذاری می کند که احتیاج به پیگیری انسان دارد.
کرینز اظهار داشت: به تازگی تلاش هایی جهت بررسی کردن بعضی از داده های Breakthrough Listen با الگوریتم یادگیری ماشینی صورت گرفته است. داده ها پیش تر به دقت با روش های مرسوم تر بررسی شده بودند اما الگوریتم همچنان می توانست بعد از آموزش دیدن در مورد چیزهایی که ما می دانیم، سیگنال های جدیدی را انتخاب نماید.
این پروژه توسط کرافت و «پیتر ما»(Peter Ma) دانشجوی مقطع کارشناسی «دانشگاه تورنتو»(UToronto) هدایت شد. پیتر ما، الگوریتم را نوشت و آنرا برای تحلیل و بررسی داده های ۸۲۰ ستاره رصد شده توسط تلسکوپ رادیویی ۱۰۰ متری در «رصدخانه گرین بانک» به کار انداخت. این داده ها که در مجموع ۴۸۹ ساعت رصد را در بر داشتند، حاوی میلیونها سیگنال رادیویی بودند که حدودا همگی تداخل های ساخت بشر به شمار می رفتند. الگوریتم تک تک آنها را بررسی کرد و هشت سیگنال را یافت که با هیچ کدام از موارد آموزشی مطابقت نداشتند و در بررسی های پیشین داده ها از قلم افتاده بودند.
تلسکوپ رصدخانه گرین بانک
منبع: گروه هوش مصنوعی
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب