Potential to locate life on Mars with Artificial Intelligence

ศักยภาพในการค้นหาสิ่งมีชีวิตบนดาวอังคารด้วยปัญญาประดิษฐ์ ทีมนักวิจัยนานาชาติพบว่าปัญญาประดิษฐ์ (AI) สามารถช่วยระบุรูปแบบที่ซ่อนอยู่ในข้อมูลทางภูมิศาสตร์eที่อาจบ่งบอกถึงสิ่งมีชีวิตบนดาวอังคาร 

An international team of researchers has found that Artificial Intelligence (AI) can help identify hidden patterns within geographical data that could indicate life on Mars.

ศักยภาพในการค้นหาสิ่งมีชีวิตบนดาวอังคารด้วยปัญญาประดิษฐ์

เนื่องจากมีโอกาสเพียงไม่กี่ครั้งในการเก็บตัวอย่างจากดาวอังคารในการค้นหาสิ่งมีชีวิตนอกโลก จึงจำเป็นอย่างยิ่งที่ภารกิจเหล่านี้จะต้องกำหนดเป้าหมายไปยังสถานที่ที่มีโอกาสดีที่สุดในการดำรงชีวิตนอกโลก การศึกษาใหม่ซึ่งนำโดยทีมนักวิจัยนานาชาติกว่า 50 คน ทำให้มั่นใจได้ว่าสิ่งนี้ได้รับการสนับสนุนโดยใช้วิธีปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง เทคโนโลยีนี้สามารถใช้เพื่อระบุรูปแบบที่ซ่อนอยู่ภายในข้อมูลทางภูมิศาสตร์ที่สามารถบ่งชี้ถึงการมีอยู่ของสิ่งมีชีวิตบนดาวอังคาร 

งาน ‘Orbit-to-Ground Framework to Decode and Predict Biosignature Patterns in Terrestrial Analogues’ ได้รับการตีพิมพ์ใน Nature Astronomy

แบบจำลองที่ได้นั้นสามารถระบุตำแหน่งชีวประวัติที่มีศักยภาพในการระบุสิ่งมีชีวิตบนดาวอังคาร

 ส่วนแรกของการศึกษาซึ่งนำโดย Dr Kimberley Warren-Rhodes จากสถาบัน SETI เป็นการสำรวจระบบนิเวศของพื้นที่ 3 กม.² ในแอ่ง Salar de Pajonales ที่พรมแดนของทะเลทราย Atacama ของชิลีและ Altiplano ในอเมริกาใต้ เพื่อใช้จัดทำแผนที่การกระจายของจุลินทรีย์สังเคราะห์แสง การจัดลำดับยีนและสเปกโทรสโกปีอินฟราเรดยังถูกนำมาใช้เพื่อเปิดเผยเครื่องหมายของชีวิตที่แตกต่างกัน ซึ่งเรียกว่า ‘ลายเซ็นชีวภาพ’ จากนั้นภาพถ่ายทางอากาศจะถูกรวมเข้ากับข้อมูลนี้เพื่อฝึกโมเดลการเรียนรู้ของเครื่องเพื่อทำนายว่าประเภทมาโครและที่อยู่อาศัยขนาดเล็กประเภทใดจะเกี่ยวข้องกับลายเซ็นชีวภาพที่สามารถบ่งชี้ได้ ชีวิตบนดาวอังคารและพื้นที่อื่นๆ แบบจำลอง

ผลลัพธ์สามารถค้นหาและตรวจหาลายเซ็นชีวประวัติได้ถึง 87.5% ของเวลาบนข้อมูลที่ไม่ได้รับการฝึกอบรม สิ่งนี้ลดพื้นที่การค้นหาที่จำเป็นในการค้นหาผลลัพธ์เชิงบวกได้ถึง 97% ในอนาคต สิ่งมีชีวิตบนดาวอังคารสามารถตรวจพบได้จากการระบุพื้นที่ที่น่าจะมีสัญญาณของสิ่งมีชีวิตมากที่สุด สิ่งเหล่านี้สามารถค้นหาได้อย่างกว้างขวางโดยรถแลนด์โรเวอร์

ดร. Freddie Kalaitzis จากภาควิชาวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัยอ็อกซ์ฟอร์ดเป็นผู้นำการประยุกต์ใช้วิธีการเรียนรู้ของเครื่องกับข้อมูลที่อยู่อาศัยขนาดเล็ก เขากล่าวว่า “ผลงานชิ้นนี้แสดงให้เห็นถึงโปรโตคอลที่นำทางโดย AI สำหรับการค้นหาสิ่งมีชีวิตบนโลกคล้ายดาวอังคารบนโลก โปรโตคอลนี้เป็นโปรโตคอลแรกที่ได้รับการฝึกฝนบนข้อมูลภาคสนามจริง และโดยหลักการแล้ว แอปพลิเคชันสามารถสรุปเป็นภาพรวมในสภาพแวดล้อมที่คุกคามชีวิตที่รุนแรงอื่นๆ ได้ ขั้นตอนต่อไปของเราคือการทดสอบวิธีการนี้เพิ่มเติมบนโลกโดยมีเป้าหมายว่าในที่สุดแล้วมันจะช่วยเราในการสำรวจชีวประวัติที่อื่นในระบบสุริยะ เช่น ดาวอังคาร ไททัน และยูโรปา” 

บนโลก หนึ่งในสิ่งที่คล้ายกันมากที่สุดกับดาวอังคารคือ Pajonales ซึ่งเป็นก้นทะเลสาบอายุสี่ล้านปี พื้นที่นี้ถือว่าไม่เอื้ออำนวยต่อสิ่งมีชีวิตส่วนใหญ่ เทียบได้กับแอ่งระเหยของดาวอังคาร แอ่งน้ำสูง (3,541 ม.) ประสบกับรังสีอัลตราไวโอเลต ระดับความเค็มสูง และอุณหภูมิต่ำในระดับที่รุนแรงเป็นพิเศษ นักวิจัยเก็บภาพกว่า 7,700 ภาพและตัวอย่าง 1,150 ตัวอย่าง และทดสอบหาจุลินทรีย์สังเคราะห์แสงที่อาศัยอยู่ภายในโดมเกลือ หิน และผลึกเศวตศิลาที่ประกอบเป็นพื้นผิวของแอ่งน้ำ ที่นี่ เครื่องหมายชีวประวัติ เช่น เม็ดสีแคโรทีนอยด์และคลอโรฟิลล์ อาจเห็นเป็นชั้นสีส้ม ชมพู และเขียวตามลำดับ ข้อมูลการสุ่มตัวอย่างภาคพื้นดินและการทำแผนที่ภูมิประเทศ 3 มิติถูกรวมเข้ากับภาพโดรนเพื่อจำแนกภูมิภาคออกเป็นที่อยู่อาศัยขนาดใหญ่สี่แห่ง (มาตราส่วนเมตรถึงกิโลเมตร) และที่อยู่อาศัยขนาดเล็กหกแห่ง (มาตราส่วนเซนติเมตร) 

ทีมงานพบว่าสิ่งมีชีวิตจุลินทรีย์ในพื้นที่ศึกษาถูกกระจุกตัวตามภูมิภาคที่แตกต่างกัน แม้ว่า Pajonales จะมีองค์ประกอบแร่ธาตุใกล้เคียงกันก็ตาม การติดตามผลการทดลองแสดงให้เห็นว่า แทนที่จะใช้ตัวแปรด้านสิ่งแวดล้อม เช่น ความพร้อมของสารอาหารหรือแสง การกำหนดตำแหน่งของจุดที่มีแหล่งน้ำทางชีวภาพเป็นปัจจัยที่เป็นไปได้มากที่สุด

ชุดข้อมูลที่รวมกันนี้ใช้เพื่อฝึกเครือข่ายประสาทเทียมเพื่อทำนายว่ามาโครและที่อยู่อาศัยขนาดเล็กใดที่เกี่ยวข้องมากที่สุดกับชีวประวัติ “สำหรับทั้งภาพถ่ายทางอากาศและข้อมูลมาตราส่วนเซ็นติเมตรบนพื้นโลก แบบจำลองนี้แสดงให้เห็นถึงความสามารถในการคาดการณ์สูงสำหรับการมีอยู่ของวัสดุทางธรณีวิทยาที่มีแนวโน้มสูงที่จะมีชีวประวัติ” ดร. คาไลซิสกล่าว “ผลลัพธ์ที่ได้นั้นสอดคล้องกับข้อมูลความจริงพื้นฐาน โดยการกระจายตัวของชีวประวัติมีความเกี่ยวข้องอย่างมากกับลักษณะทางอุทกวิทยา” 

แบบจำลองนี้จะใช้เพื่อทำแผนที่ระบบนิเวศที่รุนแรงอื่นๆ ตอนนี้ นักวิจัยตั้งเป้าที่จะทดสอบความสามารถของแบบจำลองในการทำนายตำแหน่งของระบบธรรมชาติที่คล้ายกันแต่แตกต่างกันในแอ่งปาโจนาเลส เช่น ฟอสซิลสโตรมาโตไลต์โบราณ แบบจำลองนี้ยังใช้เพื่อทำแผนที่ระบบนิเวศที่รุนแรงอื่นๆ เช่น น้ำพุร้อนและดินเพอร์มาฟรอสต์ 

ข้อมูลจากการศึกษาเหล่านี้จะให้ข้อมูลและทดสอบสมมติฐานเกี่ยวกับกลไกที่สิ่งมีชีวิตใช้เพื่อความอยู่รอดในสภาพแวดล้อมที่รุนแรง

“การศึกษาของเราได้แสดงให้เห็นอีกครั้งถึงพลังของวิธีการเรียนรู้ของเครื่องเพื่อเร่งการค้นพบทางวิทยาศาสตร์ผ่านความสามารถในการวิเคราะห์ข้อมูลจำนวนมหาศาลและระบุรูปแบบที่มนุษย์ไม่สามารถมองเห็นได้” ดร. Kalaitzis กล่าวเสริม “ในท้ายที่สุด เราหวังว่าวิธีการดังกล่าวจะช่วยอำนวยความสะดวก

ในการรวบรวมฐานข้อมูลของความน่าจะเป็นทางชีวภาพและอัลกอริทึมความน่าอยู่ แผนงาน และแบบจำลองที่สามารถใช้เป็นแนวทางในการสำรวจสิ่งมีชีวิตบนดาวอังคาร”

view original *