Sammansatt bild som visar en infraröd vy av Saturnus måne Titan, taget från NASA:s rymdfarkost Cassini. Vissa mått tyder på att Titan har det högsta betyget för beboelighet av någon annan värld än jorden, baserat på faktorer som tillgång på energi, och olika yt- och atmosfäregenskaper. Kredit:NASA / JPL / University of Arizona / University of Idaho
Utvecklingen inom artificiell intelligens kan hjälpa oss att förutsäga sannolikheten för liv på andra planeter, enligt nytt arbete av ett team baserat på Plymouth University. Studien använder artificiella neurala nätverk (ANN) för att klassificera planeter i fem typer, uppskattar sannolikheten för liv i varje fall, som kan användas i framtida interstellära utforskningsuppdrag. Verket presenteras vid European Week of Astronomy and Space Science (EWASS) i Liverpool den 4 april av Christopher Bishop.
Artificiella neurala nätverk är system som försöker replikera hur den mänskliga hjärnan lär sig. De är ett av de viktigaste verktygen som används i maskininlärning, och är särskilt bra på att identifiera mönster som är för komplexa för en biologisk hjärna att bearbeta.
Laget, baserad på Center for Robotics and Neural Systems vid Plymouth University, har tränat sitt nätverk för att klassificera planeter i fem olika typer, baserat på om de är mest lika dagens jord, den tidiga jorden, Mars, Venus eller Saturnus måne Titan. Alla dessa fem föremål är steniga kroppar som är kända för att ha atmosfärer, och är bland de mest potentiellt beboeliga objekten i vårt solsystem.
Herr biskop kommenterar, "Vi är för närvarande intresserade av dessa ANN för att prioritera utforskning för en hypotetisk, intelligent, interstellära rymdfarkoster som skannar ett exoplanetsystem på avstånd."
Han lägger till, "Vi tittar också på användningen av stor yta, utplacerbar, plana Fresnel-antenner för att få data tillbaka till jorden från en interstellär sond på stora avstånd. Detta skulle behövas om tekniken används i robotrymdfarkoster i framtiden."
Indata representerar värden från ett spektrum av en testplanets atmosfär. Utdatalagret innehåller en "sannolikhet för liv", som baseras på en mätning av ingångens likhet med de fem solsystemsmålen. Ingångarna passerar genom en serie dolda lager i nätverket, som är sammankopplade och gör det möjligt för nätverket att "lära sig" vilka mönster av spektrallinjer som motsvarar en specifik planettyp. Kredit:C. Bishop / Plymouth University
Atmosfäriska observationer - kända som spektra - av de fem solsystemets kroppar presenteras som indata till nätverket, som sedan uppmanas att klassificera dem i termer av planettyp. Eftersom liv för närvarande bara finns på jorden, klassificeringen använder en "sannolikhet för liv"-mått som baseras på de relativt välkända atmosfäriska och orbitala egenskaperna hos de fem måltyperna.
Bishop har tränat nätverket med över hundra olika spektrala profiler, var och en med flera hundra parametrar som bidrar till beboelighet. Än så länge, nätverket presterar bra när det presenteras med en testspektral profil som det inte har sett tidigare.
"Med tanke på resultaten hittills, denna metod kan visa sig vara extremt användbar för att kategorisera olika typer av exoplaneter med hjälp av resultat från markbaserade och jordnära observatorier", säger Dr Angelo Cangelosi, handledaren för projektet.
Tekniken kan också vara idealisk för att välja mål för framtida observationer, med tanke på ökningen av spektrala detaljer som förväntas från kommande rymduppdrag som ESA:s Ariel Space Mission och NASA:s James Webb Space Telescope.
