هوش مصنوعی یا انسان؛‌ کدام‌ یک زودتر فرازمینی‌ها را پیدا می‌کند؟

الگوریتم‌های یادگیری ماشینی، روند جستجوی هوش فرازمینی را تغییر می‌دهند و سیگنال‌های احتمالی را سریع‌تر و بهتر از همیشه پیدا می‌کنند اما توسعه هوش مصنوعی می‌تواند تماس گرفتن با فرازمینی‌ها را پیچیده کند.

به گزارش ایسنا و به نقل از اسپیس، «کیت کوپر»(Keith Cooper) از وبسایت اسپیس در مقاله جدیدی، وضعیت کنونی هوش مصنوعی و تأثیر آن را بر ستاره‌شناسی و اکتشافات فضایی بررسی کرده است. کوپر در گزارش خود به این موضوع پرداخته است که چگونه هوش مصنوعی به انسان‌ها کمک می‌کند تا به شناسایی حیات بیگانه بپردازند.

کافی است یک تلسکوپ رادیویی را به سمت ستارگان آسمان بچرخانید تا فورا ناشنوا شود. از تپ‌اخترها تا کهکشان‌های رادیویی و اختلالات یونوسفر در جو گرفته تا تداخل فرکانس رادیویی ناشی از فناوری‌های خودمان، آسمان سرشار از نویز رادیویی است و جایی در میان همه این صداها ممکن است سیگنالی از یک جهان دیگر پنهان شده باشد که شناسایی آن مانند یافتن یک سوزن در انبار کاه است.

بیش از ۶۰ سال است که دانشمندان آسمان را در جستجوی حیات فرازمینی بررسی می‌کنند اما هنوز هیچ موجود بیگانه‌ای را پیدا نکرده‌اند. وقتی حجم وسیع فضای جستجو را در نظر می‌گیریم و همه ستاره‌ها و فرکانس‌های رادیویی را در مقابل جستجوهای محدود خود قرار می‌دهیم، می‌بینیم جای تعجب نیست که ما هنوز حیات بیگانه را پیدا نکرده‌ایم. این یک کار دلهره‌آور است؛ به ویژه برای یک انسان.

نکته مثبت این است 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 اکنون در جستجوی هوش فرازمینی به کار گرفته شده است.

ما در مورد سیستم «اسکای‌نت»(Skynet) در فیلم «نابودگر»(Terminator) یا ماشین‌های مجموعه فیلم‌های «ماتریکس»(Matrix) یا حتی فیلم «پیشتازان فضا»(Star Trek) صحبت نمی‌کنیم. هوش مصنوعی که در حال حاضر بسیار مرسوم شده، مبتنی بر الگوریتم‌های 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 ستاره‌شناس حوزه جستجوی هوش فرازمینی، برای توضیح دادن این که هوش مصنوعی چگونه به جستجوی هوش فرازمینی کمک می‌کند، آن را با یافتن سوزن در انبار کاه مقایسه کرد.

کرینز در مصاحبه با اسپیس گفت: شما اساسا با داده‌ها طوری رفتار می‌کنید که گویی کاه هستند. سپس از الگوریتم یادگیری ماشینی می‌خواهید که به شما بگوید آیا چیزی در میان داده‌ها وجود دارد که کاه نباشد و امیدوارید که سوزن را در انبار کاه پیدا کنید؛ مگر اینکه چیزهای دیگری هم در انبار کاه وجود داشته باشند.

چیزهای دیگر معمولا تداخل فرکانس رادیویی هستند اما الگوریتم یادگیری ماشینی برای تشخیص دادن همه انواع تداخل فرکانس رادیویی که می‌شناسیم، آموزش داده شده است. این سیگنال‌ها الگوهای آشنای تلفن‌های همراه، فرستنده‌های رادیویی محلی، وسایل الکترونیکی و مواردی از این دست هستند که همان کاه محسوب می‌شوند.

«استیو کرافت»(Steve Croft) ستاره‌شناس پروژه «Breakthrough Listen» در «دانشگاه کالیفرنیا برکلی»(UC Berkeley) گفت: این آموزش شامل تزریق سیگنال‌ها به داده‌هاست. سپس، الگوریتم یاد می‌گیرد به دنبال سیگنال‌هایی باشد که مشابه آن هستند. الگوریتم یاد می‌گیرد که الگوی سیگنال‌های آشنا را نادیده بگیرد. اگر چیزی را در داده‌ها پیدا کند که در مورد آن آموزش ندیده باشد، آن را به عنوان یک نمونه جالب علامت‌گذاری می‌کند که نیاز به پیگیری انسان دارد.

کرینز گفت: اخیرا تلاش‌هایی برای بررسی کردن برخی از داده‌های Breakthrough Listen با الگوریتم یادگیری ماشینی صورت گرفته است. داده‌ها پیشتر به دقت با روش‌های مرسوم‌تر بررسی شده بودند اما الگوریتم همچنان می‌توانست پس از آموزش دیدن در مورد چیزهایی که ما می‌دانیم، سیگنال‌های جدیدی را انتخاب کند.

این پروژه توسط کرافت و «پیتر ما»(Peter Ma) دانشجوی مقطع کارشناسی «دانشگاه تورنتو»(UToronto) هدایت شد. پیتر ما، الگوریتم را نوشت و آن را برای تجزیه و تحلیل داده‌های ۸۲۰ ستاره رصد شده توسط تلسکوپ رادیویی ۱۰۰ متری در «رصدخانه گرین بانک» به کار انداخت. این داده‌ها که در مجموع ۴۸۹ ساعت رصد را در بر داشتند، حاوی میلیون‌ها سیگنال رادیویی بودند که تقریبا همگی تداخل‌های ساخت بشر به شمار می‌رفتند. الگوریتم تک‌تک آنها را بررسی کرد و هشت سیگنال را یافت که با هیچ‌کدام از موارد آموزشی مطابقت نداشتند و در بررسی‌های پیشین داده‌ها از قلم افتاده بودند.

تلسکوپ رصدخانه گرین بانک