كيف يساعد الذكاء الاصطناعي في البحث عن حياة خارج كوكب الأرض

يقول بيل دايموند: هناك ما بين 10 إلى 50 مليار عالم يحتمل أن تكون صالحة للحياة في مجرتنا. وهذا يجعل مهمته صعبة إلى حد ما.

السيد دايموند هو الرئيس التنفيذي لمعهد سيتي للأبحاث ومقره الولايات المتحدة. الحروف “Seti” هي اختصار للبحث عن ذكاء خارج الأرض.

ويقول: “إن سيتي، كمسعى، يبحث عن العلوم والتكنولوجيا خارج النظام الشمسي كدليل على الحياة والذكاء، وهذا إلى حد كبير إبرة في مشكلة كومة قش”.

“نحن نبحث عن شيء من المحتمل أن يكون نادرًا للغاية، وقد يكون من الصعب جدًا العثور عليه واستخراجه من الظواهر الخلفية التي تراقبها في نفس الوقت.”

لكن الأدوات الجديدة تساعد في البحث. إن قدرة الذكاء الاصطناعي (AI) على التعامل مع مجموعات البيانات الضخمة – واكتشاف الحالات الشاذة – تعمل على إحداث تحول في عملية البحث عن الذكاء الفضائي.

يتضمن أحد هذه المشاريع شراكة بين معهد سيتي والمرصد الوطني لعلم الفلك الراديوي التابع للولايات المتحدة في نيو مكسيكو. تستخدم هذه المنشأة الفيدرالية ترددات الراديو لدراسة الأجرام السماوية، مثل الكواكب والنجوم والكويكبات.

يقوم سيتي ببناء نظام برمجي موازٍ يعمل بالذكاء الاصطناعي للمنشأة الأساسية للمرصد، وهي مصفوفة كبيرة جدًا. تم بناء VLA بين عامي 1973 و1981، وهو يتألف من 28 طبقًا هوائيًا كبيرًا بقطر 25 مترًا موزعة على سهل صحراوي. تخيل أطباق الأقمار الصناعية التي تجدها في منازل الناس، على نطاق ضخم.

عند التشغيل، سيكون الذكاء الاصطناعي قادرًا على معالجة كل جزء من البيانات التي تم التقاطها – 2 تيرابايت (TB) في الثانية. لوضع ذلك في السياق، تحتوي أجهزة الكمبيوتر المحمولة الحديثة عادةً على مساحة تخزين إجمالية تبلغ حوالي 1 تيرابايت.

يقول السيد دايموند إن الاستخدام المتزايد للذكاء الاصطناعي أثبت بالفعل أنه “لا غنى عنه” حيث يواصل معهده البحث عن حياة غريبة.

ويشير إلى أن الذكاء الاصطناعي يجعل من الممكن البحث عن أنواع جديدة من إشارات الراديو من مصادر غريبة. ويوضح أن سيتي كان يبحث تقليديًا عن إشارات ضيقة النطاق مشابهة لتلك التي يستخدمها البشر.

“ولكن كان هناك دائمًا السؤال” ماذا لو كانت هناك تكنولوجيا متقدمة فضائية تستخدم النطاق العريض [radio]”. وإذا كان الأمر كذلك، فإن أساليبنا التقليدية لن تنجح، وسيبدو الأمر وكأنه مجموعة من الضجيج على الشاشة.”

ومع ذلك، يقول السيد دايموند إن قدرة الذكاء الاصطناعي على التعامل مع كميات هائلة من البيانات تعني أنه من الممكن التقاط ملايين “اللقطات” لهذه الصورة الصوتية الثلجية مع مرور الوقت، والبدء في البحث عن الأنماط. “إنها طريقة لإضافة شيء جديد للبحث عنه.”

مشروع آخر تتعاون معه Seti هو اختراق الاستماع. يقوم هذا المخطط، المدعوم بأكثر من 100 مليون جنيه إسترليني من تمويل القطاع الخاص، بمسح مليون نجم و100 مجرة، عبر نطاق واسع من النطاقات الراديوية والبصرية، للبحث عن أدلة على الحياة التكنولوجية.

قام أحد أعضاء المشروع، بيتر ما، طالب جامعة تورنتو، مؤخرًا بتطوير نظام ذكاء اصطناعي جديد مصمم لفحص بيانات التلسكوب، والتمييز بين الإشارات الحقيقية المحتملة من الكائنات الفضائية، والتداخل.

وقد فعل فريقه ذلك من خلال محاكاة كلا النوعين من الضوضاء، ثم تدريب الذكاء الاصطناعي الخاص بهم على التمييز بين الاثنين.

ويقول ما إن الإشارة الفضائية، على سبيل المثال، “تظهر فقط عندما نوجه تلسكوباتنا نحوها… وتختفي عندما نشير إليها بعيدا”.

لقد حدد المشروع بالفعل ثماني إشارات فضائية محتملة لم يتم اكتشافها بواسطة التحليل التقليدي. ومع ذلك، يعتقد السيد ما أنه بما أن الملاحظات لم تتكرر بعد، فمن المحتمل أن تكون نتائج إيجابية كاذبة.

ويتم استخدام الذكاء الاصطناعي أيضًا لمحاولة اكتشاف علامات الحياة ذات الطبيعة الأكثر تواضعًا، والأقرب إلى المنزل.

في العام الماضي، بدأت المركبة الفضائية بيرسيفيرانس التابعة لناسا في جمع عينات من فوهة جيزيرو على سطح المريخ، والتي، إذا سارت الأمور على ما يرام، سيتم إعادتها إلى الأرض في غضون عدة سنوات.

بالفعل، يعتقد العلماء أن أداة شيرلوك الخاصة بالمركبة الجوالة قد اكتشفت مركبات عضوية تتوهج تحت الضوء فوق البنفسجي.

ومع ذلك، يمكن إنشاء المركبات العضوية من خلال عمليات غير بيولوجية، مما يعني أنه ليس من الممكن بعد تحديد ما إذا كانت مستمدة من الحياة الماضية على هذا الكوكب.

لكن كل هذا يمكن أن يتغير بفضل بحث جديد أجراه معهد كارنيجي للعلوم، والذي يستخدم الذكاء الاصطناعي لتحليل عينات الصخور بحثًا عن علامات الحياة الحالية أو الماضية.

ووجد الفريق أن الذكاء الاصطناعي قادر على التمييز بين المواد الحية وغير الحية السابقة، بدقة تصل إلى 90% تقريبًا.

يقول الباحث الرئيسي المشارك الدكتور روبرت هازن: “هذا نهج جديد للغاية للبحث عن البصمات الحيوية الجزيئية”.

“نحن نستخدم التعلم الآلي للنظر في كل الكم الهائل من البيانات من خلال طريقة تحليلية تنتج نصف مليون نقطة بيانات لكل عينة. لذلك نحن نبحث عن أنماط دقيقة في التوزيعات الجزيئية.”