Uma ferramenta de aprendizado de máquina recém-desenvolvida pode ajudar os cientistas a procurar sinais de vida em Marte e em outros mundos alienígenas.
Com a capacidade de coletar amostras de outros planetas severamente limitada, os cientistas atualmente dependem de métodos de sensoriamento remoto para procurar sinais de vida alienígena. Isso significa que qualquer método que possa ajudar a direcionar ou refinar essa pesquisa seria incrivelmente útil.
Com isso em mente, uma equipe multidisciplinar de cientistas liderada por Kim Warren-Rhodes, da SETI (Pesquisa por Inteligência Extraterrestre) na Califórnia mapeou as formas de vida esparsas que habitam em cúpulas de sal, rochas e cristais no Salar de Pajonales, uma planície de sal na fronteira do Chile deserto do Atacama e Altiplano, ou planalto.
Relacionado: A busca por vida alienígena (referência)
Warren-Rhodes então se uniu a Michael Phillips, do Laboratório de Física Aplicada da Universidade Johns Hopkins, e ao pesquisador da Universidade de Oxford, Freddie Kalaitzis, para treinar um aprendizado de máquina modelo para reconhecer os padrões e regras associados à distribuição da vida na região inóspita. Esse treinamento ensinou o modelo a identificar os mesmos padrões e regras para uma ampla gama de paisagens – incluindo aquelas que podem estar em outros planetas.
A equipe descobriu que seu sistema poderia, combinando ecologia estatística com IA, localizar e detectar bioassinaturas em até 87,5% do tempo. Isso é em comparação com uma taxa de sucesso não superior a 10% alcançada por pesquisas aleatórias. Além disso, o programa pode diminuir a área necessária para uma pesquisa em até 97%, ajudando assim os cientistas a aprimorar significativamente sua busca por possíveis vestígios químicos de vida, ou bioassinaturas.
“Nossa estrutura nos permite combinar o poder da ecologia estatística com o aprendizado de máquina para descobrir e prever os padrões e regras pelas quais a natureza sobrevive e se distribui nas paisagens mais inóspitas da Terra”, disse Warren-Rhodes em uma afirmação (abre em nova aba). “Esperamos que outras equipes de astrobiologia adaptem nossa abordagem para mapear outros ambientes habitáveis ??e bioassinaturas”.
Essas ferramentas de aprendizado de máquina, dizem os pesquisadores, podem ser aplicadas a missões planetárias robóticas como a da NASA. rover perseverançaque atualmente está caçando vestígios de vida no chão da cratera Jezero de Marte.
“Com esses modelos, podemos projetar roteiros e algoritmos personalizados para guiar rovers a lugares com maior probabilidade de abrigar vida passada ou presente – não importa o quão escondidos ou raros sejam”, explicou Warren-Rhodes.
Escolhendo um análogo para Marte na Terra
A equipe escolheu Salar de Pajonales como estágio de teste de seu modelo de aprendizado de máquina porque é um análogo adequado para a paisagem seca e árida dos dias modernos Marte. A região é um lago de sal seco de alta altitude que é atingido por um alto grau de radiação ultravioleta. Apesar de ser considerado altamente inóspito para a vida, Salar de Pajonales ainda abriga alguns seres vivos.
A equipe coletou quase 8.000 imagens e mais de 1.000 amostras do Salar de Pajonales para detectar micróbios fotossintéticos que vivem nas cúpulas de sal, rochas e cristais de alabastro da região. Os pigmentos que esses micróbios secretam representam uma possível bioassinatura em A “escada de detecção de vida” da NASA (abre em nova aba) que é projetado para orientar os cientistas a procurar vida além da Terra dentro das restrições práticas das missões espaciais robóticas.
A equipe também examinou o Salar de Pajonales usando imagens de drones análogas às imagens do terreno marciano capturadas pela câmera HIRISE (High-Resolution Imaging Experiment) a bordo do Mars Reconnaissance Orbiter da NASA. Esses dados permitiram determinar que a vida microbiana no Salar de Pajonales não é distribuída aleatoriamente, mas sim concentrada em pontos críticos biológicos fortemente ligados à disponibilidade de água.
A equipe de Warren-Rhodes treinou redes neurais convolucionais (CNNs) para reconhecer e prever grandes características geológicas no Salar de Pajonales. Algumas dessas características, como solo padronizado ou redes poligonais, também são encontradas em Marte. A CNN também foi treinada para identificar e prever microhabitats menores com maior probabilidade de conter bioassinaturas.
Por enquanto, os pesquisadores continuarão treinando sua IA no Salar de Pajonales, com o objetivo de testar a capacidade da CNN de prever a localização e distribuição de fósseis antigos de estromatólitos e microbiomas tolerantes ao sal. Isso deve ajudá-lo a saber se as regras que ele usa nessa busca também se aplicam à busca de bioassinaturas em outros sistemas naturais semelhantes.
Depois disso, a equipe pretende começar a mapear fontes termais, solos congelados cobertos por permafrost e rochas em vales secos, esperando ensinar a IA a aprimorar habitats potenciais em outros ambientes extremos aqui na Terra antes de explorar potencialmente os de outros planetas.
A pesquisa da equipe foi publicada este mês na revista Astronomia da Natureza (abre em nova aba). (abre em nova aba)
Siga-nos no Twitter @Spacedotcom (abre em nova aba) e em Facebook (abre em nova aba).