[ad_1]
«Я очень впечатлен и очень рад видеть этот набор работ», — говорит Кенда Линч, астробиолог из Лунного и планетарного института в Хьюстоне, штат Техас, изучающая биосигнатуры. «Это действительно здорово, что они могут показать некоторые успеха с ИИ, чтобы помочь предсказать, куда идти и смотреть».
Необходимо провести дальнейшую работу. Новый метод необходимо будет проверить в различных экосистемах. поскольку Атакама относительно проста, когда дело доходит до мест обитания и типов жизни. По словам Уоррена-Роудса, продвижение команды представляет собой «важный прогресс в исследованиях внеземных цивилизаций, в которых биология часто отставала от химии и геологии».
«Очень интересно, что наша команда сделала один из первых шагов к надежному обнаружению биосигнатур с помощью ИИ», — сказала она.
Исследование было опубликовано в Астрономия природы.
Резюме исследования:
При поиске биосигнатур на Марсе имеется множество данных с орбитальных аппаратов и марсоходов, чтобы охарактеризовать глобальную и региональную обитаемость, но гораздо меньше информации доступно в масштабах и разрешениях микробных местообитаний и биосигнатур. Понимание того, характеризуется ли распределение земных биосигнатур узнаваемыми и предсказуемыми закономерностями, может дать ориентиры для оптимизации усилий по поиску жизни на других земных планетах. Мы продвигаем адаптируемую структуру, которая сочетает статистическую экологию с глубоким обучением для распознавания и прогнозирования паттернов биосигнатур во вложенных пространственных масштабах в полиэкстремальной земной среде. Снимки полета дрона связали смоделированные данные HiRISE с наземными исследованиями, спектроскопией и картированием биосигнатур, чтобы выявить предсказуемое распределение, связанное с факторами окружающей среды. Модели искусственного интеллекта и машинного обучения успешно идентифицировали геологические объекты с высокой вероятностью содержания биосигнатур в пространственных масштабах, соответствующих астробиологическим исследованиям на основе роверов. Целевые подходы, дополненные глубоким обучением, обеспечили вероятность обнаружения биосигнатуры 56,9–87,5% по сравнению с <10% для случайного поиска и сократили физическое пространство поиска на 85–97%. Библиотеки распределений биосигнатур, вероятностей обнаружения, прогностических моделей и дорожных карт поиска для многих земных сред стандартизируют исследования аналоговой науки, позволяя проводить независимые сравнения во всех масштабах.
[ad_2]
Source link
