Depuis plus de soixante ans, les astronomes et les astrophysiciens se sont engagés dans la Recherche d’Intelligence Extraterrestre (SETI). Celle-ci consiste à écouter les autres systèmes stellaires à la recherche de signes d’activité technologique (ou « technosignatures »), comme les transmissions radio. Cette première tentative a eu lieu en 1960, connue sous le nom de Projet Ozma, où le célèbre chercheur SETI, le Dr Frank Drake (père de l’équation de Drake) et ses collègues ont utilisé le télescope Robert C. Byrd Green Bank en Virginie-Occidentale pour mener une enquête radio de Tau Ceti. et Epsilon Eridani.
Depuis lors, la grande majorité des enquêtes SETI ont également recherché des signaux radio à bande étroite car ils se propagent très bien dans l’espace interstellaire. Cependant, le plus grand défi a toujours été de savoir comment filtrer les transmissions radio sur Terre – alias. interférence radiofréquence (RFI). Dans une étude récente, une équipe internationale dirigée par le Dunlap Institute for Astronomy and Astrophysics (DIAA) a appliqué un nouvel algorithme d’apprentissage en profondeur aux données recueillies par le Green Bank Telescope (GBT), qui a révélé huit signaux prometteurs qui intéresseront Initiatives SETI comme Breakthrough Listen.
Peter Xiangyuan Ma, chercheur de premier cycle à la DIAA et au Département de mathématiques et de physique de l’Université de Toronto, a dirigé l’étude. Il a été rejoint par des chercheurs du Laboratoire de radioastronomie de l’UC Berkeley, du Jodrell Bank Center for Astrophysics (JBCA), de l’Institut des sciences spatiales et de l’astronomie, du Centre international de recherche en radioastronomie, de l’Institut SETI et de Breakthrough Initiatives. L’article qui décrit leurs découvertes, “Une recherche d’apprentissage en profondeur pour les technosignatures de 820 étoiles proches”, est récemment paru dans Astronomie naturelle.
Les signaux radio à bande étroite restent la technosignature la plus populaire et la plus recherchée en raison de la façon dont les ondes radio se propagent dans l’espace interstellaire. Pour les chercheurs du SETI, le défi a toujours été de faire la distinction entre les transmissions possibles, les RFI terrestres et les ondes radio provenant de sources cosmiques. Pour les besoins de leur étude, Ma et ses collègues ont appliqué un algorithme d’auto-encodeur variationnel bêta-convolutionnel à 820 cibles uniques observées par le GBT pendant 480 heures d’observation dans le ciel.
“Dans bon nombre de nos observations, il y a beaucoup d’interférences”, a déclaré Ma dans un communiqué de presse du Dunlap Insitute. “Nous devons distinguer les signaux radio passionnants dans l’espace des signaux radio inintéressants de la Terre.” “” Dans bon nombre de nos observations, il y a beaucoup d’interférences “, a déclaré Ma dans un communiqué de presse du Dunlap Insitute. “Nous devons distinguer les signaux radio excitants dans l’espace des signaux radio inintéressants de la Terre.”
Ma a commencé à travailler sur cet algorithme alors qu’il était encore au lycée, ce qui, espérait-il, accélérerait SETI en rationalisant la recherche de technosignatures. Selon Ma, l’algorithme combine deux sous-types d’apprentissage automatique – l’apprentissage supervisé et non supervisé – qu’il appelle “apprentissage semi-non supervisé”. Cette approche implique l’utilisation de techniques supervisées pour guider et entraîner l’algorithme afin de l’aider à généraliser (en utilisant des techniques non supervisées) et à trouver plus facilement des modèles cachés dans les données.
Depuis qu’ils ont rejoint l’Institut Dunlap, Ma et ses collègues ont formé l’algorithme en utilisant des signaux simulés pour différencier les signaux potentiels qui pourraient être d’origine extraterrestre et les interférences générées par l’homme. Ils ont également comparé l’algorithme de Ma à diverses applications d’apprentissage automatique, leur précision et leurs taux de faux positifs, et ont utilisé ces informations pour créer le produit fini. “Je n’ai dit à mon équipe qu’après la publication du journal que tout avait commencé comme un projet de lycée qui n’était pas vraiment apprécié par mes professeurs”, a ajouté Ma.
En appliquant cet algorithme aux données GBT, ils ont découvert huit nouveaux signaux radio intéressants provenant de cinq étoiles situées entre 30 et 90 années-lumière de la Terre. Ces signaux ont été ignorés par les analyses précédentes qui ne reposaient pas sur l’apprentissage automatique. Mais pour l’équipe SETI, ces signaux sont considérés comme remarquables pour deux raisons. Le Dr Steve Croft, scientifique du projet Breakthrough Listen sur le GBT, a expliqué :
“Premièrement, ils sont présents lorsque nous regardons l’étoile et absents lorsque nous détournons le regard – par opposition aux interférences locales, qui sont généralement toujours présentes. Deuxièmement, les signaux changent de fréquence au fil du temps d’une manière qui les fait apparaître loin du télescope. C’est un peu comme marcher sur un chemin de gravier et trouver une pierre coincée dans la bande de roulement de votre chaussure qui semble parfaitement s’adapter.
Lorsqu’il s’agit d’ensembles de données contenant des millions de signaux, certains signaux peuvent avoir les deux caractéristiques par pur hasard. Pour cette raison, les chercheurs ne sont pas encore convaincus que les signaux qu’ils ont observés représentent des transmissions extraterrestres, même s’ils apparaissent comme l’équipe s’y attendrait. Pour commencer, les signaux n’ont pas été trouvés lorsque l’équipe a effectué des observations de suivi avec le GBT des mêmes étoiles. Jusqu’à ce que d’autres observations soient menées et que les signaux soient à nouveau détectés, ils resteront des signaux d’intérêt.
Le Dr Cherry Ng, associée de recherche au DIAA de l’Université de Toronto et co-auteur de l’article, travaille sur ce projet avec Ma depuis l’été 2020. Selon Ng, l’apprentissage automatique est très important dans un domaine comme SETI, de plus en plus dominé par le big data :
« En piquant les données avec chaque technique, nous pourrions être en mesure de découvrir des signaux passionnants. Je suis impressionné par la performance de cette approche dans la recherche d’intelligence extraterrestre. Avec l’aide de l’intelligence artificielle, je suis optimiste que nous pourrons mieux quantifier la probabilité de la présence de signaux extraterrestres provenant d’autres civilisations.
Pour l’avenir, Ma et son équipe espèrent mettre à jour leur nouvel algorithme et l’appliquer à d’autres observatoires et à leurs ensembles de données. Il s’agit notamment de radiotélescopes comme le réseau MeerKAT en Afrique du Sud et le Square Kilometre Array (SKA), qui sera bientôt achevé, qui combinera le MeerKAT et l’Observatoire de radioastronomie Murchison (MRO) en Australie en un seul et puissant réseau. . Avec ces instruments et d’autres à leur disposition, Ma dit que l’équipe prévoit d’étendre son approche d’apprentissage automatique de manière majeure.
“Avec notre nouvelle technique, combinée à la prochaine génération de télescopes, nous espérons que l’apprentissage automatique pourra nous faire passer de la recherche de centaines d’étoiles à la recherche de millions”, a-t-il déclaré. “Avec notre nouvelle technique, combinée à la prochaine génération de télescopes, nous espérons que l’apprentissage automatique pourra nous faire passer de la recherche de centaines d’étoiles à la recherche de millions”, a-t-il déclaré.
Cette nouvelle approche représente un candidat de premier plan pour accélérer SETI et d’autres recherches transitoires à l’ère de l’astronomie basée sur les données. Avec le temps, la recherche SETI pourrait être en mesure de suivre le rythme des découvertes d’exoplanètes et des études d’astrobiologie, où chaque exoplanète nouvellement détectée peut être rapidement examinée pour détecter des signes de biosignatures et de technosignatures.
Lectures complémentaires : Institut Dunlap, astronomie de la nature
