Das San Francisco Bay Gebiet hat sich in den letzten Jahren als Brennpunkt der Entwicklung im Bereich der Künstlichen Intelligenz (KI) etabliert. Insbesondere Maschinenlernalgorithmen revolutionieren die Suche nach außerirdischer Intelligenz, indem sie potenzielle Signale schneller und effizienter als je zuvor identifizieren. Doch die Entwicklung einer allgemeinen künstlichen Intelligenz könnte den Kontakt komplizierter gestalten.
Anlässlich der Weltraumwoche 2023 beleuchtet Space.com den aktuellen Stand der KI und ihre Auswirkungen auf die Astronomie und Raumfahrt. Keith Cooper diskutiert, wie KI den Menschen bei der Entdeckung außerirdischen Lebens helfen könnte.
Richtet man ein Radioteleskop auf die Sterne, wird es sofort von Störgeräuschen überflutet. Von Pulsaren über Radiogalaxien bis hin zu ionosphärischen Störungen und technisch bedingten Störungen ist der Himmel voller Radiolärm. Irgendwo dazwischen könnte sich jedoch ein kaum wahrnehmbares Signal von einer anderen Welt verbergen.
Seit über 60 Jahren durchsuchen Wissenschaftler den Himmel nach Anzeichen von außerirdischem Leben, bisher jedoch ohne Erfolg. Angesichts des enormen Suchraums – all die Sterne und Radiowellen – ist es wenig überraschend, dass wir noch keinen Kontakt zu Außerirdischen hergestellt haben. Für den Menschen ist dies eine gewaltige Herausforderung.
Zum Glück haben wir nicht-menschliche Intelligenz, die sich an der Suche beteiligt.
Der Einsatz von KI erreicht in unserem Alltag und in der Wissenschaft einen kritischen Punkt. Es ist daher nicht verwunderlich, dass sie nun auch in der Suche nach außerirdischer Intelligenz (SETI) eingesetzt wird. Die aktuell beliebte KI basiert auf Maschinenlernalgorithmen, die für ganz bestimmte Aufgaben entwickelt wurden.
Eamonn Kerins, Astronom und SETI-Forscher an der Universität von Manchester, vergleicht die Arbeit der KI in der SETI mit der Suche nach der Nadel im Heuhaufen. "Man behandelt die Daten als wäre es das Heu", erklärt Kerins. "Dann bittet man den Maschinenlernalgorithmus zu bestimmen, ob es in den Daten etwas gibt, das nicht Heu ist. Das ist hoffentlich die Nadel im Heuhaufen – es sei denn, es gibt noch andere Dinge im Heuhaufen."
Diese "anderen Dinge" sind in der Regel technisch bedingte Störungen, aber der Maschinenlernalgorithmus wird darauf trainiert, alle uns bekannten Störungstypen zu erkennen.
Steve Croft, Astronom beim Breakthrough Listen SETI-Projekt an der University of California, Berkeley, erläutert, dass der Algorithmus trainiert wird, indem man Signale in die Daten einspeist. Der Algorithmus lernt dann, nach solchen Signalen zu suchen. Sollte er etwas in den Daten entdecken, das ihm nicht bekannt ist, markiert er dies als interessant und ein Mensch muss es weiter untersuchen.
Maschinenlernalgorithmen können in zwei Kategorien unterteilt werden: Überwachtes und unüberwachtes Lernen. Beim überwachten Lernen wird der Algorithmus auf viele Daten trainiert, die als "Tisch" oder "Stuhl" markiert sind. Beim unüberwachtes Lernen muss der Algorithmus ohne vorheriges Training Unterscheidungen treffen.
Ein Beispiel für den Einsatz von unüberwachtem Lernen ist ein Projekt von Adam Lesnikowski von NVIDIA. Das Team nutzte unüberwachtes Maschinenlernen, um zu testen, ob es künstliche Objekte auf dem Mond erkennen könnte. Der Algorithmus wurde mit Bildern des Lunar Reconnaissance Orbiters von der NASA gefüttert und musste herausfinden, was ein typisches Mondmerkmal ist und was nicht. Der Test war erfolgreich – der Algorithmus identifizierte den Apollo 15 Mondlander auf der Oberfläche des Mondes.
Die Idee ist, dass technologisch fortgeschrittene Außerirdische unser Sonnensystem bereits besucht haben könnten und Sonden oder Artefakte auf den Planeten, Monden oder Asteroiden hinterlassen haben. Es ist sogar möglich, dass sich gerade jetzt eine aktive Sonde in unserer Nähe befindet.
"In Zeiten von 'Big Data' ist maschinelles Lernen der Weg in die Zukunft und wird nun ausgiebig in der Astronomie und SETI eingesetzt, mit der Fähigkeit, Dinge schneller und besser als Menschen zu tun", sagt Kerins.
Doch während Maschinenlernalgorithmen Fortschritte machen, sind Menschen immer noch eng in den Prozess eingebunden. Ein Signal mag von der KI als interessant markiert werden, aber letztlich müssen Menschen
