top of page
Yazarın fotoğrafıBerk Keskin

Uzaylı yaşamını ilk keşfeden yapay zeka mı olacak?



Batı Virginia'nın tepelerinden Avustralya kırsalının düzlüklerine kadar, dünyanın en büyük teleskoplarından bazıları uzak uzaylı uygarlıklarından gelen sinyalleri dinliyor. SETI olarak bilinen dünya dışı zeka arayışı, uzak bir güneş sistemindeki teknolojik olarak gelişmiş bir medeniyetten gelmiş olabilecek yapay görünümlü elektromanyetik radyasyon sinyallerini bulma çabasıdır.


30 Ocak'ta yayınlanan bir çalışma, gökbilimcilerin bu tür araştırmaların sağladığı veri yığınlarını hızla gözden geçirmelerine yardımcı olmak için yapay zekanın (AI) bir alt kümesi olan makine öğrenimini kullanma çabalarından birini açıklıyor. AI birçok bilimsel alanı yeniden şekillendirirken, Dünya'nın ötesinde yaşam arayışı için ne vaat ediyor?


California, Mountain View'daki SETI Enstitüsü'nde gezegen astronomu olan Franck Marchis, "Makine öğrenme teknolojisi sayesinde SETI araştırması için yeni bir çağ açılıyor" diyor.

Büyük veri sorunu SETI için nispeten yenidir. On yıllar boyunca, alan neredeyse hiç veriye sahip olmadığı için kısıtlandı. Gökbilimci Frank Drake, 1960 yılında Batı Virginia'daki Green Bank'ta bir teleskopu iki yıldıza doğrultup radyo yayınlarını dinlediğinde SETI'ye öncülük etti. Ardından gelen SETI aramalarının çoğu da az sayıda yıldızla sınırlıydı.


Ancak 2015'te milyarder Yuri Milner, California, Berkeley'de şimdiye kadarki en büyük SETI programını finanse etti: ''Breakthrough Listen Projesi'' Akıllı yaşam belirtileri için bir milyon yıldız aramak. Proje, Batı Virginia, Avustralya ve Güney Afrika'daki teleskopları kullanarak, bir yıldızın yönünden gelen ve Dünya'ya göre hareket eden bir gezegende eğer uzaylı bir verici olsaydı frekansı sürekli değişen radyo emisyonlarını araştırmamız gerekirdi ve bu yüzden de zaten frekansı sürekli değişen radyo emisyonlarını araştırılıyor.


Veri Fırtınası

Sorun şu ki, bu aramalar , cep telefonlarından, GPS'ten ve modern yaşamın diğer yönlerinden kaynaklanan Dünyevi müdahalenin ürettiği yanlış pozitifler de dahil olmak üzere, bir veri fırtınası sağlıyor.


SETI Enstitüsü'nden bir astronom olan Sofia Sheikh, "SETI sinyallerini ararken bizim için en büyük zorluk bu noktada verileri elde etmek değil" diyor. "Zor kısım, insan veya Dünya teknolojisinden gelen sinyalleri Galaksinin başka bir yerindeki teknolojiden arayacağımız türden sinyallerden ayırmaktır."

Milyonlarca gözlemi manuel olarak incelemek pratik değil. Yaygın bir alternatif yaklaşım, gökbilimcilerin uzaylı işaretlerinin nasıl görünebileceğini düşündüklerine uyan sinyalleri arayan algoritmalar kullanmaktır. Ancak bu algoritmalar, gökbilimcilerin beklediklerinden biraz farklı olan potansiyel olarak ilginç sinyalleri gözden kaçırabilir.


Makine öğrenimine girin. Makine öğrenimi algoritmaları büyük miktarda veri üzerinde eğitilir ve Dünyevi parazitin karakteristik özelliklerini tanımayı öğrenebilir, bu da onları gürültüyü filtrelemede çok iyi yapar.


Gözden kaçan sinyaller

Berkeley'deki California Üniversitesi'nden bir SETI bilim adamı olan Dan Werthimer, makine öğreniminin geleneksel kategorilere girmeyen ve bu nedenle önceki yöntemlerle gözden kaçmış olabilecek aday dünya dışı sinyalleri almada da iyi olduğunu söylüyor.


Kanada Toronto Üniversitesi'nden matematikçi ve fizikçi ve makalenin başyazarı Peter Ma da aynı fikirde. “ET'nin bize ne gönderebileceğini her zaman tahmin edemeyiz” diyor.


Ma ve meslektaşları, 100 metrelik Robert C. Byrd Green Bank Teleskopu kullanılarak yapılan, 820 yıldızın Breakthrough Listen gözlemlerini elediler. Verileri analiz etmek için makine öğrenimi yazılımı geliştirdiler; bu, yaklaşık üç milyon ilgi sinyalini netleştirdi, ancak çoğunu Dünya tabanlı girişim olarak attı. Ma daha sonra 20.000'den fazla sinyali manuel olarak inceledi ve bunları ilgi çekici 8 adaya kadar daralttı.


Arama sonunda boş çıktı - ekip tekrar dinlediğinde sekiz sinyalin tümü kayboldu. Ancak yöntemler, Aralık ayında Breakthrough Listen'in kullanmaya başladığı Güney Afrika'daki 64 radyo teleskoptan oluşan MeerKAT dizisinden bir dizi gözlem gibi başka veriler üzerinde kullanılabilir. Ma, makine öğrenimi algoritmalarının daha önce gözden kaçmış olabilecek sinyalleri aramak için arşivlenmiş SETI verilerinde de kullanılabileceğini söylüyor.


Vatandaş SETI

Makine öğrenimi, önümüzdeki ay başlayacak olan ayrı bir SETI çalışmasının da merkezinde yer alıyor. 14 Şubat'ta Los Angeles California Üniversitesi'ndeki (UCLA) gökbilimciler, halktan gönüllülerin bir makineyi eğitmek için radyo sinyallerinin görüntülerini sıralayıp potansiyel girişim türleri olarak sınıflandıracakları bir topluluk bilimi projesi başlatacaklar -Green Bank'tan SETI verilerini aramak için öğrenme algoritması.


Yapay zeka, SETI sürecinin diğer aşamalarında yardımcı olabilir. Werthimer ve meslektaşları, Çin'deki dünyanın en büyük tek çanak teleskopu olan 500 metrelik FAST radyo teleskopunu kullanan devam eden bir SETI projesinde gözlemlenecek bir yıldız sıralaması bulmak için makine öğrenimini kullandılar.


UCLA'da gökbilimci olan Jean-Luc Margot, SETI'nin yine de verileri sıralamak için klasik ve makine öğrenimi yaklaşımlarının bir karışımını kullanmaya devam edeceğini söylüyor. Klasik algoritmalar, aday sinyalleri almada mükemmel olmaya devam ediyor ve makine öğrenimi "her derde deva değil" diyor.


Werthimer, "Makineler henüz her şeyi yapamıyor" diye katılıyor.



Makalenin orijinaline buradan ulaşabilirsiniz.

18 görüntüleme0 yorum

Son Yazılar

Hepsini Gör

Comentarios


bottom of page