I ricercatori di Breakthrough Listen hanno utilizzato l’intelligenza artificiale per cercare nei segnali radio registrati i lampi radio veloci, individuandone molti più di quanto non potrebbero fare gli umani. Inoltre, stanno usando un algoritmo simile per cercare nuovi tipi di segnali candidati come segnali provenienti da civiltà extraterrestri. Crediti: Breakthrough Listen image
L’intelligenza artificiale ha invaso molti campi, tra i quali l’astronomia e la ricerca della vita intelligente nell’universo, portata avanti da molti anni dall’ambizioso programma Seti, acronimo di Search for Extra-Terrestrial Intelligence.
I ricercatori del Breakthrough Listen, un progetto Seti condotto dall’Università della California, Berkeley, si sono serviti dell’apprendimento automatico, noto anche come machine learning, per scoprire 72 nuovi Fast Radio Burst (Frb), lampi radio veloci provenienti da una sorgente misteriosa a circa 3 miliardi di anni luce dalla Terra.
I fast radio burst sono impulsi di emissione radio, della durata di millisecondi, che si pensa siano originati in galassie lontane, anche se non è ancora chiaro quale possa essere la loro sorgente. Le teorie sull’origine di questi eventi spaziano da stelle di neutroni fortemente magnetizzate fatte esplodere da getti di gas provenienti da vicini buchi neri supermassicci al suggerire che tali lampi potrebbero essere generati da una tecnologia sviluppata da civiltà avanzate.
«Questo lavoro è entusiasmante non solo perché ci aiuta a capire il comportamento dinamico dei lampi radio veloci in modo più dettagliato, ma anche per la potenzialità che il lavoro fa emergere legata all’utilizzazione dell’apprendimento automatico per rilevare segnali che non sono stati individuati dagli algoritmi classici», spiega Andrew Siemion, direttore del Centro di ricerca Seti di Berkeley e principal investigator di Breakthrough Listen, il programma dedicato alla ricerca di segni di vita intelligente nell’universo. A questo proposito, Breakthrough Listen sta utilizzando l’algoritmo di machine learning anche per trovare nuovi tipi di segnali che potrebbero provenire da civiltà extraterrestri.
Mentre la maggior parte dei Frb sono una tantum, la fonte in questione, Frb 121102, è unica nell’emettere lampi ripetuti di segnali radio. Questo suo comportamento ha attirato l’attenzione di molti astronomi, nella speranza di individuare la causa e la fisica estrema coinvolta in questi veloci Frb.
Gli algoritmi di intelligenza artificiale hanno setacciato i segnali radio registrati il 26 agosto 2017, nell’arco di cinque ore, dal Green Bank Telescope, in West Virginia. Un’analisi precedente dei 400 terabyte di dati, impiegando algoritmi standard, era riuscita ad identificare 21 Frb durante quel periodo. Tutti gli eventi erano stati visti entro un’ora, suggerendo che il comportamento della sorgente si alternasse tra periodi di quiescenza e altri di attività frenetica, ha raccontato Vishal Gajjar, ricercatore di Berkeley nell’ambito del progetto Seti. Gerry Zhang, studente dell’Università di UC Berkeley, e i suoi collaboratori hanno sviluppato un nuovo e potente algoritmo di apprendimento automatico e, rianalizzando tali dati con il loro algoritmo, hanno trovato ulteriori 72 Frb non rilevati in origine. Ciò porta il numero totale di lampi rilevati da Frb121102 a circa 300, da quando è stato scoperto nel 2012.
«Questo lavoro rappresenta solo l’inizio dell’uso di questi potenti metodi per trovare transienti radio» ha detto Zhang. «Speriamo che il nostro successo sia di ispirazione per applicare l’apprendimento automatico alla radioastronomia».
Il team di Zhang ha utilizzato alcune delle stesse tecniche usate dalle aziende di tecnologia Internet per ottimizzare i risultati di ricerca e classificare le immagini: hanno “addestrato” un algoritmo noto come rete neurale convoluzionale (convolutional neural network) per riconoscere i lampi radio trovati con il metodo di ricerca classico usato da Gajjar e dai collaboratori, per poi usarlo per trovare Frb che l’approccio classico non era riuscito a individuare.
«I sistemi di machine learning», conferma a Media Inaf Andrea Possenti, ricercatore all’Inaf di Cagliari ed esperto di Frb, al quale ci siamo rivolti per un commento sulla tecnica messa a punto a Berkeley, «stanno diventando un supporto essenziale in tutti quegli esperimenti scientifici che producono un piccolo numero di eventi reali che sono sommersi in una marea enormi di eventi spuri. In radio astronomia due esempi tipici sono gli esperimenti per la ricerca di nuove pulsar e gli esperimenti tesi alla scoperta di eventi transienti, come appunto i Fast Radio Burst. Fino a pochi anni or sono, solo un essere umano poteva leggere i grafici prodotti dai vari esperimenti con la capacità di interpretazione necessaria a discernere gli eventi falsi dai probabili eventi veri. Ricordo di aver io stesso passato centinaia di ore a scrutinare migliaia di grafici di candidate pulsar per pescare fra essi solo una o due nuove scoperte. Quando i grafici sono diventati milioni, come negli esperimenti moderni, è stato impossibile portare a termine un efficiente scrutinio manuale e da lì è nata l’esigenza di sistemi automatici, basati spesso su reti neurali, per fare una sgrossatura sostanziale degli eventi».»
«La ricerca è progredita molto rapidamente nel campo. Ad esempio», continua Possenti, «negli esperimenti Htru e Superb per la ricerca di pulsar e di Fast Radio Burst, condotti presso il radiotelescopio di Parkes in Australia (esperimenti in cui è coinvolto il gruppo dell’Inaf di Cagliari), sono oggi attivi sistemi di machine learning molto efficienti, che hanno condotto a scoprire pulsar che erano sfuggite a una ispezione iniziale dei dati. Una cosa analoga è successa ai colleghi di Breakthrought Listen con i dati presi il 26 agosto 2017 al radiotelescopio di Green Bank: facendo vagliare questi dati al sistema di machine learning da loro sviluppato, hanno più che quadruplicato il numero di impulsi osservati rispetto a quelli scoperti in una prima analisi dei dati. E disporre di più eventi significa ovviamente migliorare la capacità di modellare la natura fisica di questo ancora misterioso fenomeno».
I risultati hanno infatti contribuito a porre nuovi vincoli sulla periodicità degli impulsi provenienti da Frb 121102, suggerendo che gli impulsi non vengano ricevuti con un pattern regolare, per lo meno se il periodo di quel pattern è più lungo di circa 10 millisecondi. Siemion sostiene che proprio come i pattern degli impulsi delle pulsar hanno aiutato gli astronomi a vincolare i modelli al computer delle condizioni fisiche estreme presenti in tali oggetti, le nuove misurazioni degli Frb aiuteranno a comprendere cosa alimenta queste sorgenti misteriose. «Che gli Frb risultino o meno essere le firme di una tecnologia extraterrestre, Breakthrough Listen sta contribuendo ad allargare le frontiere di una nuova area di ricerca in rapida crescita riguardante la nostra comprensione dell’universo che ci circonda», conclude Siemion.
Per saperne di più:
- Leggi su ApJ l’articolo “Fast Radio Burst 121102 Pulse Detection and Periodicity: A Machine Learning Approach” di Yunfan Gerry Zhang, Vishal Gajjar, Griffin Foster, Andrew Siemion, James Cordes, Casey Law, Yu Wang