Ученые предложили новый способ оптимизации поиска жизни на Марсе, обучив искусственный интеллект выявлять места, которые, скорее всего, содержат «биосигнатуры» (признаки жизни).
Новая система глубокого обучения обучена находить биосигнатуры в суровых условиях чилийской пустыни Атакама, которая является самой сухой пустыней на Земле и участком с самым высоким уровнем солнечной радиации на нашей планете, создавая условия, максимально приближенные к марсианским на Земле.
Инструмент ИИ смог увеличить вероятность обнаружения биосигнатур в этой экстремальной среде до 87,5%, что делает его примерно в девять раз более эффективным, чем случайный поиск признаков жизни.
Около четырех миллиардов лет назад Марс был теплее, влажнее и потенциально пригоден для жизни. Орбитальные аппараты и марсоходы обнаружили много регионов на планете, которые были созданы водой, ключевым ингредиентом для жизни, открывая перспективы для поиска остатков того, что когда-то могло быть средой обитания марсианских микробов. Например, марсоход НАСА Perseverance теперь исследует кратер Джезеро — когда-то марсианское озеро, которое было заполнено водой.
Хотя у нас есть приблизительное представление о том, где искать остатки микробной жизни на Марсе, сужение поиска до масштаба крошечных диапазонов является гораздо более сложной задачей. Чтобы решить эту проблему, ученые во главе с Кимберли Уоррен-Родс, астробиологом из некоммерческого Института SETI, разработали «адаптивную систему, которая сочетает статистическую экологию с глубоким обучением для распознавания и прогнозирования моделей биосигнатуры», согласно новому исследованию, опубликованному в журнале Nature Astronomy.
В своей новой работе исследователи стремились обучить систему глубокого обучения прогнозированию присутствия биосигнатур в чилийском Салар-де-Паоналес, горном озере, расположенном на высоте 3 500 метров на краю пустыни Атакама.
В то время как ни одна окружающая среда на Земле не является такой экстремальной, как Марс, Salar de Pahonales «демонстрирует особенности как физических, так и биологических процессов, имеющих большое значение для поиска биосигнатур на Марсе».
Уоррен-Родс и ее коллеги использовали данные воздушных и наземных наблюдений для картирования распределения выносливых фотосинтетических микроорганизмов, которые живут в этой сложной среде обитания. Затем команда обучила нейронные сети прогнозировать вероятность биосигнатур, используя ряд геологических параметров, таких как соленость, тип породы и доступ к свету.
Подход глубокого обучения смог предсказать вероятность обнаружения биосигнатур на уровнях от 56,9 до 87,5%, что делает его «мощным инструментом для ускорения поиска и обнаружения биосигнатур у наземных аналогов», говорится в исследовании. Исследователи обнаружили, что биосигнатуры особенно сгруппированы внутри и вокруг алебастра — типа породы, которая удерживает воду в течение длительного времени, и это открытие может быть полезно для геологических исследований на других планетах.
