Los investigadores de Breakthrough Listen, el programa en busca de signos de vida inteligente en el Universo, detectaron 72 nuevas ráfagas de radio de galaxias distantes utilizando la inteligencia artificial.

De hecho, su sitio web tiene más detalles sobre su proyecto, incluido sobre su conjunto de datos.

En 2017, el equipo de profesionales de Breakthrough en el Centro de Investigación de Búsqueda de Inteligencia extraterrestre (SETI) de la  Universidad de Berkeley  detectó 21 ráfagas de radio (FRB) al analizar más de 400 terabytes de datos.

Gerry Zhang y sus colaboradores encontraron recientemente 72 nuevas explosiones mediante el uso de redes neuronales convolucionales para revisar el mismo conjunto de datos de nuevo.

En esta  declaración, el investigador principal de Breakthrough Listen, el Dr. Andrew Siemion, comunicó su entusiasmo ante el “potencial de los algoritmos de aprendizaje automático para detectar señales omitidas por los algoritmos clásicos”.

“Ya sea que los mismos FRB eventualmente sean firmas de tecnología extraterrestre, Breakthrough Listen está ayudando a empujar las fronteras de un área nueva y de rápido crecimiento de nuestra comprensión del universo que nos rodea”.

Las redes neuronales convolucionales (CNN), la tecnología detrás de la detección de objetos, son el núcleo de muchos avances que se han obtenido recientemente. Desde permitir autos sin conductor para reconocer automóviles y peatones, hasta estimar tasas de obesidad a través de imágenes de mapas de Google. Esta tecnología durante los diversos proyectos en los que ha sido utilizada ha demostrado ser crítica para ayudar a los humanos a encontrar patrones en imágenes que de otro modo no habrían descubierto.

La inteligencia artificial tiene todo el potencial de volver a hacer viejos conjuntos de datos de películas o imágenes útiles para los investigadores. Como demostraron Zhang y sus colegas, las CNN pueden usarse para buscar conjuntos de datos más antiguos y encontrar patrones que los métodos tradicionales de aprendizaje automático pueden pasar por alto.

En funcionamiento de esta tecnología empieza por las redes neuronales convolucionales, las cuales aprenden a representar partes de una imagen en diferentes capas de abstracción. Estos sistemas generalmente están compuestos por una secuencia de capas computacionales, cada una operando en la salida de la anterior. Por ejemplo, uno podría imaginar una red neuronal de 4 capas donde la capa 1 aprende a detectar bordes y líneas, la capa 2 aprende a detectar formas geométricas básicas, y la capa 3 aprende a detectar patrones como las ruedas o el contorno de las caras. La capa final aprenderá a usar la salida de la capa 3 para elegir la categoría más probable de una lista de opciones.

En este ejemplo, el equipo de Zhang creó un conjunto de datos de imágenes donde una imagen “tenía al menos un pulso FRB” y otra imagen solo tenía ruido. El equipo simuló pulsos y los colocó en algunas de las imágenes ruidosas. La simulación es una técnica clave implementada por los investigadores, donde es posible que no tengan suficientes datos que les interesen.

Su CNN de 17 capas se entrenó en 200.000 imágenes reales y 200.000 imágenes falsas detectaron pulsos con un 88% de precisión y pulsos reales con un 98% de precisión.

Dejar respuesta

Please enter your comment!
Please enter your name here

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.