Un nuovo framework di deep learning è stato presentato dagli scienziati per ottimizzare la ricerca di vita extraterrestre su Marte e altri pianeti.
Secondo un recente studio, i ricercatori hanno proposto un metodo innovativo per migliorare la ricerca di vita extraterrestre su Marte. Allo scopo si sta istruendo l’intelligenza artificiale (AI) a identificare i luoghi in cui è più probabile la presenza di “biosignature”. Ovvero di indizi della presenza di vita.
Il nuovo framework di deep learning è stato istruito per scoprire biosignature in un ambiente estremamente difficile ed esposto a elevate quantità di radiazioni e a temperature estremamente basse. Il tutto generando circostanze che sono quanto di più simile a Marte si possa trovare sulla Terra.
In questo ambiente difficile, la tecnica di intelligenza artificiale (AI) ha aumentato la probabilità di trovare biosegnali fino all’87,5 percento. In questo modo ha reso il suo successo circa nove volte superiore rispetto alle ricerche casuali di vita.
L’intelligenza artificiale (AI) per la ricerca di vita su Marte
Marte era forse ospitale per la vita quattro miliardi di anni fa, quando era più caldo, umido e abbondante. L’acqua, componente essenziale per la vita come la conosciamo, ha modellato varie aree del pianeta e i rover e gli orbiter le hanno mostrate. Questi hanno fornito allettanti indizi su quelle che in passato potevano essere le case dei microbi marziani. Ad esempio, il rover Perseverance della NASA sta attualmente analizzando il cratere Jezero, il sito di un ex lago marziano che un tempo traboccava d’acqua.
Sebbene abbiamo un’idea generale di dove cercare i resti della vita microbica su Marte, è molto più impegnativo concentrare la ricerca sulla scala delle case microscopiche. Secondo uno studio pubblicato lunedì su Nature Astronomy, i ricercatori che lavorano sotto la direzione di Kimberley Warren-Rhodes, astrobiologa presso l’istituto no-profit SETI, hanno creato “una struttura adattabile che accoppia l’ecologia statistica con l’apprendimento profondo per riconoscere e prevedere modelli di biosignature” per risolvere questo problema.
“Nella ricerca di biosignature su Marte, vi è un’abbondanza di dati provenienti da orbiter e rover per caratterizzare l’abitabilità globale e regionale. Ma sono disponibili molte meno informazioni alla scala e alla risoluzione degli habitat microbici e delle biosignature”, hanno dichiarato Warren-Rhodes e i suoi colleghi nello studio.
“Scoprire se esistono tendenze osservabili o prevedibili nella distribuzione delle biosegnalazioni terrestri può aiutare a concentrare gli sforzi per trovare la vita su altri pianeti terrestri”.
I primi studi divulgati
Gli scienziati hanno proseguito affermando che in ambienti difficili “la distribuzione delle biosegnalazioni è strettamente regolata da una complessa interazione di fattori geologici, fisico-chimici e biologici”. Hanno anche sottolineato che la disponibilità di acqua gioca un ruolo cruciale in questa equazione.
“Ad oggi, poche ricerche hanno impiegato l’apprendimento automatico per valutare la capacità predittiva e la probabilità di identificare la vita agli estremi dell’abitabilità. O hanno studiato sistematicamente tali relazioni su scale geografiche integrate”.
Nel loro nuovo articolo, i ricercatori hanno cercato di colmare questo vuoto nella ricerca addestrando un sistema di apprendimento profondo per prevedere l’esistenza di biosegnali nel Salar de Pajonales in Cile, un lago di montagna che si trova a 3.500 metri di altezza ai margini dell’iperarido deserto di Atacama.
La ricerca potrebbe mostrare risultati inattesi
Secondo lo studio, il Salar de Pajonales “presenta caratteristiche di processi fisici e biologici altamente rilevanti per la ricerca di biosignature su Marte”, come “reti di creste simili a frattali, terreno modellato e terreni fessurati di origine abiotica e/o biotica”. Anche se nessun ambiente terrestre è così estremo come il Marte moderno, lo studio osserva che il Salar de Pajonales ospita queste caratteristiche.
Warren-Rhodes e i suoi colleghi hanno utilizzato osservazioni aeree e terrestri per mappare la distribuzione dei batteri fotosintetici resistenti che abitano questo difficile ecosistema. Gli scienziati hanno poi utilizzato una serie di fattori geologici, come la salinità, il tipo di roccia e l’accesso alla luce. Lo scopo è quello di addestrare le reti neurali a prevedere la probabilità di biosignature.
Secondo lo studio, la tecnica di deep learning si è rivelata “un potente strumento per accelerare la ricerca e l’individuazione di biosignature in analoghi terrestri”. Questo poiché è stata in grado di prevedere la probabilità di individuazione di biosignature a un livello sorprendente, compreso tra il 56,9 e l’87,5%. La scoperta può essere utile per lo studio geologico di altri mondi.
Gli scienziati hanno scoperto che le biosignature erano particolarmente concentrate nell’alabastro e nelle sue vicinanze, un tipo di roccia che trattiene l’acqua per lungo tempo.