Con más de 144,370,000 millas cuadradas de terreno, Marte tiene una lote de lugares donde podrían esconderse signos de vida potencial. Tenga en cuenta el tiempo ultra valioso de los rovers actuales y futuros, y hace que sea aún más difícil buscar evidencia de posibles microbios y organismos antiguos de una manera eficiente. Para nivelar un poco el campo de juego, SETI está recurriendo nuevamente a la inteligencia artificial y el aprendizaje automático en un esfuerzo por calcular los lugares más probables y prometedores para que los rovers, y quizás algún día, los astronautas, busquen pistas de vida. Y como se detalló por primera vez el lunes en Naturaleza Astronomíael nuevo modelo de aprendizaje automático de IA del equipo ya está mostrando potencial para acelerar la búsqueda de vida extraterrestre por parte de la humanidad.
[Related: Want to travel to Mars? Here’s how long the trip could take.]
Para construir su IA, el proyecto interdisciplinario dirigido por el científico investigador principal del Instituto SETI, Kim Warren-Rhodes, entrenó un programa en conjuntos de datos extraídos de una región llamada Salar de Pajonales. Ubicado en la frontera del desierto de Atacama y el altiplano de Chile, Pajonales sirvió como un sustituto decente de Marte, con su gran altitud, clima árido, lecho de lago salado seco, altas cantidades de luz ultravioleta y escasa vida microbiana fotosintética. El equipo acumuló más de 7765 imágenes y 1154 muestras de las rocas, los cristales y los domos de sal del área, y luego usó la información junto con otros conjuntos de datos para enseñar a su programa a comprender y detectar áreas con pequeñas firmas biológicas. Al cambiar el programa AI/ML hacia una nueva área cercana, el sistema logró ubicar firmas biológicas similares casi el 88 % de las veces, en comparación con menos del 10 % de las búsquedas aleatorias anteriores. El nuevo método también redujo las áreas de búsqueda necesarias hasta en un 97 por ciento.
En un comunicado, Rhodes explicó que “nuestro marco nos permite combinar el poder de la ecología estadística con el aprendizaje automático para descubrir y predecir los patrones y reglas por los cuales la naturaleza sobrevive y se distribuye en los paisajes más duros de la Tierra”. Continuaron expresando su esperanza de que otros astrobiólogos adapten el enfoque para mapear otros entornos, así como para detectar firmas biológicas adicionales. “Con estos modelos, podemos diseñar hojas de ruta y algoritmos a medida para guiar a los rovers a lugares con la mayor probabilidad de albergar vida pasada o presente, sin importar cuán ocultos o raros sean”, dijo.
[Related: Signs of past chemical reactions detected on Mars.]
“Si bien la alta tasa de detección de firmas biológicas es un resultado central de este estudio, no menos importante es que integró con éxito conjuntos de datos en resoluciones muy diferentes desde la órbita hasta el suelo, y finalmente vinculó los datos orbitales regionales con los hábitats microbianos”, dijo otro equipo. miembro, Nathalie A. Cabrol.
Con el tiempo, el equipo espera que ellos y otros grupos de astrobiólogos puedan continuar construyendo conjuntos de datos colaborativos que podrían ayudar en la búsqueda de vida extraterrestre al incorporarlos a futuros rovers planetarios.