Un estudiante de la Universidad de Toronto, Peter Ma, junto con el Instituto de Búsqueda de Inteligencia Extraterrestre (SETI), Breakthrough Listen e instituciones de investigación científica en el mundo, decidieron aplicar la inteligencia artificial con un conjunto de datos, previamente estudiadas de estrellas cercanas.
Con este sistema, se descubrieron ocho señales de interés previamente no identificadas.
«En total, habíamos buscado a través de 150 TB de datos de 820 estrellas cercanas, en un conjunto de datos que había sido buscado previamente en 2017 por técnicas clásicas pero etiquetado como desprovisto de señales interesantes», dijo Peter Ma, autor principal, citado por Eurekalert.
En este sentido, enfatizó que, con este descubrimiento, se podrá acelerar los descubrimientos y responder la incógnita: ¿Estamos solo en el universo?
«Estamos escalando este esfuerzo de búsqueda a un millón de estrellas hoy con el telescopio MeerKAT y más allá. Creemos que un trabajo como este ayudará a acelerar el ritmo al que podemos hacer descubrimientos en nuestro gran esfuerzo por responder a la pregunta ‘¿estamos solos en el universo?'», puntualizó.
This study re-examined data taken with @GreenBankObserv that initially indicated no targets of interest. While re-examinations of these targets have yet to result in re-detections, this new approach can enable researchers to more effectively understand the data they collect.
— The SETI Institute (@SETIInstitute) January 30, 2023
En el texto, se señala que el algoritmo de Ma seleccionó específicamente las ocho señales de radio, ya que, entre otros factores, estas son de banda estrecha.
«Las señales causadas por fenómenos naturales tienden a ser de banda ancha», recalca el texto.
Las señales también mostraban una serie de propiedades que sugieren que no están causadas por interferencias terrestres, como el hecho de que tenían tasas de deriva distintas de cero.
Según los investigadores, estas señales tenían una pendiente, lo que podría indicar que el origen de una señal tenía cierta aceleración relativa con nuestros receptores, por lo que no era local al radioobservatorio.
Este estudio reexaminó los datos tomados con el Telescopio Green Bank en Virginia Occidental como parte de una campaña Breakthrough Listen que inicialmente no indicó objetivos de interés.
El objetivo era aplicar nuevas técnicas de aprendizaje profundo a un algoritmo de búsqueda clásico para obtener resultados más rápidos y precisos.
