KI wird heute in praktisch allen Bereichen der Wissenschaft eingesetzt, um Forscher:innen bei routinemäßigen Aufgaben zu unterstützen. Nun soll sie auch helfen, die Suche nach außerirdischem Leben zu verbessern.

Radioastronom:innen haben ein KI-System entwickelt, das alles bisher Dagewesene übertrifft. Die KI wurde darauf trainiert, Daten von Radioteleskopen nach Elementen zu durchsuchen, die nicht durch natürliche astrophysikalische Prozesse erzeugt wurden. Die bisherigen Ergebnisse sind vielversprechend.

Seit Jahren sendet die Menschheit Radiosignale aus, die bis ins Weltall dringen, in der Hoffnung, Aliens würden darauf antworten. Denn damit lassen sich Informationen drahtlos über große Distanzen übertragen. Doch die Suche nach sogenannten Technosignaturen, kurz SETI (von englisch: Search for Extraterrestrial Intelligence), wird mit der Suche nach einer Nadel im kosmischen Heuhaufen verglichen.

Radioteleskope produzieren riesige Datenmengen, und darin sind Millionen von irdischen Störsignalen enthalten, die beispielsweise von unseren Handys oder GPS-Empfängern erzeugt werden. Diese Signale gilt es auszublenden. Aus diesem Grund müssen Suchalgorithmen in der Lage sein, schnell echte Technosignaturen von False Positives zu unterscheiden.

Eine KI erfüllt diese Anforderungen und könnte die Suche nach außerirdischem Leben revolutionieren. Ein Forscher:innenteam um Peter Xiangyuan Ma von der University of Toronto stellte den Deep-Learning-Algorithmus im Fachmagazin Nature Astronomy vor. Einen ersten Teilerfolg kann das System bereits vorweisen: Als die KI mit einem zuvor untersuchten Datensatz gefüttert wurde, entdeckte sie acht interessante Signale, die der klassische Algorithmus bisher übersehen hatte.

Die privat finanzierte Initiative Breakthrough Listen sucht im Radiospektrum nach künstlich erzeugten Signalen, die aus dem All die Erde erreichen, und sortiert die Daten. Aus dem Datenberg von Breakthrough Listen suchten sich die Forscher:innen 820 Sterne heraus. Der Datensatz beinhaltete 480 Stunden an Beobachtungsdaten, die mit dem Robert-C.-Byrd-Green-Bank-Teleskop in den USA aufgenommen worden waren.

Die KI, die zuvor mit künstlich erzeugten Signalen darauf getrimmt wurde, Außergewöhnliches herauszufiltern, durchforstete 115 Millionen Datenschnipsel. Um einen Satz von Trainingsdaten zu erstellen, fügte Peter Ma simulierte Signale in reale Daten ein und verwendete diesen Datensatz dann, um einen KI-Algorithmus namens Autoencoder zu trainieren.

Während der Autoencoder die Daten verarbeitete, „lernte“ er, hervorstechende Merkmale in den Daten zu identifizieren. Indem die KI die Störsignale ausblendete, reduzierte sie den Datensatz auf rund 20.000 Signale. Davon hatten acht Signale die Eigenschaften von Technosignaturen und konnten nicht auf Funkstörungen zurückgeführt werden. Wie die Forscher:innen schreiben, hätten alle bisherigen Analysemethoden diesen riesigen Datensatz bei Weitem nicht so effizient analysieren können.