Un étudiant de l’Université de Toronto, Peter Ma, en collaboration avec le Search Institute for Extraterrestrial Intelligence (SETI), Breakthrough Listen et des institutions de recherche scientifique dans le monde, a décidé d’appliquer l’intelligence artificielle avec un ensemble de données précédemment étudié sur les étoiles à proximité.
Avec ce système, huit signaux d’intérêt précédemment non identifiés ont été découverts.
« Au total, nous avions parcouru 150 To de données provenant de 820 étoiles proches, dans un ensemble de données qui avait déjà été recherché en 2017 par des techniques classiques mais étiqueté comme dépourvu de signaux intéressants », a déclaré l’auteur principal Peter Ma, cité par Eurekalert. .
En ce sens, il a souligné qu’avec cette découverte, il sera possible d’accélérer les découvertes et de répondre à la question : Sommes-nous seuls dans l’univers ?
« Nous étendons cet effort de recherche à un million d’étoiles aujourd’hui avec le télescope MeerKAT et au-delà. Nous pensons qu’un travail comme celui-ci contribuera à accélérer le rythme auquel nous pouvons faire des découvertes dans notre grand effort pour répondre à la question « Sommes-nous seuls dans l’univers ? », a-t-il déclaré.
Dans le texte, il est noté que l’algorithme de Ma a spécifiquement sélectionné les huit signaux radio, car, entre autres facteurs, ils sont à bande étroite.
« Les signaux causés par des phénomènes naturels ont tendance à être à large bande », souligne le texte.
Les signaux ont également affiché un certain nombre de propriétés qui suggèrent qu’ils ne sont pas causés par des interférences terrestres, comme le fait qu’ils avaient des taux de dérive non nuls.
Selon les chercheurs, ces signaux avaient une pente, ce qui pourrait indiquer que l’origine d’un signal avait une accélération relative avec nos récepteurs, il n’était donc pas local à l’observatoire radio.
Cette étude a réexaminé les données prises avec le télescope Green Bank en Virginie-Occidentale dans le cadre d’une campagne Breakthrough Listen qui n’indiquait initialement aucune cible d’intérêt.
L’objectif était d’appliquer de nouvelles techniques d’apprentissage en profondeur à un algorithme de recherche classique pour obtenir des résultats plus rapides et plus précis.
