人工智能预测其他行星上的生命迹象

利茅斯大学机器人与神经系统研究中心的研究员Christopher Bishop在一份声明中说：“我们目前对这些ANNs感兴趣，因为它们可能实现一种能够在一定范围内扫描一个系外行星的假想的、智能的星际飞船。”他补充说，“我们也在考虑使用大面积可部署的平面Fresnel天线，以便可以将星际探测器的数据远距离地传回地球。这种技术的应用对于未来的机器人宇宙飞船是必不可少的。”

基于待预测行星与现在的地球、早期地球、火星、金星以及土星的最大卫星Titan的相似程度，普利茅斯团队训练他们的神经网络将行星归类于这五个不同的类别之一。

这些星球是相似的，它们皆为岩质行星，空中有大气层，尽管它们的组成成分多有不同。根据新的证据，除了地球之外，火星和Titan是太阳系中寻找外星生命最有希望的两个目标，而NASA的JPL空间科学研究的Kevin M.Gill说到：“土星的最大卫星Titan是太阳系中最有可能蕴含外星生命的星球之一“。对于焦热的金星而言，也具有孕育生命的一些可能的条件。

这是从NASA的卡西尼号飞船上拍摄的土星卫星Titan的红外图像。测量结果表明，基于能量的可用性、星球表面情况和大气特征等因素，Titan具有除地球以外的最高居住等级。——据NASA/JPL/亚利桑那大学/爱达荷大学报道

ANN是一种试图模拟人类大脑学习方式的系统。作为机器学习中最常用的工具之一，当涉及到对大数据集进行复杂的模式识别时，它的效果很好，而这一过程对于人类科学家来说是既困难又费时。因此，一个能够对大量行星的可居住性进行预测的ANN可以节省科学家的时间，并帮助他们集中精力于最有前途的目标之上。

科学家们对ANN模型输入了来自五类星球的大气观测数据：光谱值，由于目前已知的生命只存在于地球上，所以使用的是“生命概率”作为测量准则对它们进行分类。这个准则是基于这五类星球的大气和轨道特性确定的。

Bishop已经用了上百种不同的光谱分布图对这个网络进行了训练来确定其孕育生命的能力，每一个光谱图对应几百个参数，这些参数都是用于衡量星球的可居住性。到目前为止，网络在一个以往从未见过的测试光谱分布图上表现良好。

ANN的输入是来自测试行星的光谱值，输出层是基于“生命概率”的分类结果，它是通过对输入数据与五个太阳系的星球的相似度进行测量得到的。输入数据通过网络中一系列互连隐藏层进行特征映射后，能够“学习”与光谱线对应的特定行星类型。——Bishop/利茅斯大学

项目主管Angelo Cangelosi在声明中说：“鉴于迄今为止的结果，这种方法通过利用地球和近地天文台对不同类型的外行星的分类结果，可能可以对不同类别的系外行星进行十分高效的分类。

研究人员希望，当NASA的詹姆斯韦伯太空望远镜和欧洲航天局的Ariel太空任务开始为潜在的宜居外行星提供更详细的大气观测时，他们的技术可以大展拳脚。