Искусственный интеллект может помочь в поиске жизни на Марсе

Недавно разработанный инструмент машинного обучения может помочь ученым искать признаки жизни на Марсе и других инопланетных мирах. Поскольку возможности сбора образцов с других планет сильно ограничены, ученым в настоящее время приходится полагаться на методы дистанционного зондирования для поиска признаков инопланетной жизни. Это означает, что любой метод, который мог бы помочь направить или уточнить этот поиск, был бы невероятно полезен.

Имея это в виду, междисциплинарная группа ученых во главе с Ким Уоррен-Роудс из Института SETI (Поиск внеземного разума) в Калифорнии нанесла на карту редкие формы жизни, которые обитают в соляных куполах, скалах и кристаллах в Салар-де-Пахоналес, солончаке. на границе чилийской пустыни Атакама и Альтиплано, или высокогорного плато.

Затем Уоррен-Роудс объединилась с Майклом Филлипсом из Лаборатории прикладной физики Университета Джона Хопкинса и исследователем из Оксфордского университета Фредди Калайцисом, чтобы обучить модель машинного обучения распознавать закономерности и правила, связанные с распространением жизни в суровом регионе.

Такое обучение научило модель обнаруживать одни и те же закономерности и правила для широкого спектра ландшафтов, в том числе тех, которые могут лежать на других планетах. Команда обнаружила, что их система может, сочетая статистическую экологию с ИИ, находить и обнаруживать биосигнатуры до 87,5% времени.

Это по сравнению с вероятностью успеха не более 10%, достигнутой при случайном поиске. Кроме того, программа может уменьшить площадь, необходимую для поиска, на целых 97%, что поможет ученым значительно улучшить поиск потенциальных химических следов жизни или биосигнатур.

«Наша структура позволяет нам объединить силу статистической экологии с машинным обучением, чтобы обнаруживать и предсказывать закономерности и правила, по которым природа выживает и распределяет себя в самых суровых ландшафтах на Земле», — сказал Уоррен-Роудс в своем заявлении.

«Мы надеемся, что другие команды астробиологов адаптируют наш подход к картированию других обитаемых сред и биосигнатур». Исследователи говорят, что такие инструменты машинного обучения могут быть применены к роботизированным планетарным миссиям, таким как марсоход NASA Perseverance, который в настоящее время ищет следы жизни на дне марсианского кратера Джезеро.

«С помощью этих моделей мы можем разрабатывать индивидуальные дорожные карты и алгоритмы, чтобы направлять марсоходов в места с наибольшей вероятностью существования прошлой или настоящей жизни» — «независимо от того, насколько они скрыты или редки», — объяснил Уоррен-Роудс.

Подбираем аналог Марса на Земле

Команда выбрала Салар-де-Пахоналес в качестве этапа тестирования своей модели машинного обучения, потому что это подходящий аналог сухого и засушливого ландшафта современного Марса. Район представляет собой высокогорное дно высохшего соленого озера, подвергшееся воздействию высокой степени ультрафиолетового излучения. Однако, несмотря на то, что Салар-де-Пахоналес считается крайне негостеприимным для жизни, он все еще является пристанищем для некоторых живых существ.

Команда собрала почти 8000 изображений и более 1000 образцов из Салар-де-Пахоналес, чтобы обнаружить фотосинтетические микробы, живущие в соляных куполах, скалах и кристаллах алебастра. Пигменты, которые выделяют эти микробы, представляют собой возможную биосигнатуру на «лестнице обнаружения жизни» НАСА, которая призвана помочь ученым искать жизнь за пределами Земли в рамках практических ограничений роботизированных космических миссий.

Команда также изучила Салар-де-Пахоналес, используя изображения беспилотников, которые аналогичны изображениям марсианской местности, снятым камерой эксперимента по визуализации с высоким разрешением (HIRISE) на борту марсианского разведывательного орбитального аппарата НАСА.

Эти данные позволили им определить, что микробная жизнь на Салар-де-Пахоналес не распределена случайным образом, а скорее сконцентрирована в биологических горячих точках, которые тесно связаны с наличием воды.

Затем команда Уоррена-Родса обучила сверточные нейронные сети (CNN) распознавать и прогнозировать крупные геологические объекты в Салар-де-Пахоналес. Некоторые из этих особенностей, такие как узорчатая поверхность земли или полигональные сети, также обнаружены на Марсе.

CNN также был обучен обнаруживать и прогнозировать более мелкие микросреды обитания, которые, скорее всего, будут содержать биосигнатуры.

В настоящее время исследователи продолжат обучать свой ИИ на Салар-де-Пахоналес, а затем направят его на проверку способности CNN предсказывать местонахождение и распределение древних окаменелостей строматолитов и солеустойчивых микробиомов.

Это должно помочь ему узнать, могут ли правила, которые он использует в этом поиске, также применяться к поиску биосигнатур в других подобных природных системах.

После этого команда планирует приступить к картографированию горячих источников, покрытых вечной мерзлотой почв и скал в сухих долинах, надеясь научить ИИ оттачивать потенциальные места обитания в других экстремальных условиях здесь, на Земле, прежде чем потенциально исследовать места на других планетах.