Immagine composita che mostra una vista a infrarossi della luna di Saturno Titano, ripresa dalla sonda spaziale Cassini della NASA. Alcune misure suggeriscono che Titano ha il più alto grado di abitabilità di qualsiasi altro mondo diverso dalla Terra, in base a fattori quali la disponibilità di energia, e varie caratteristiche della superficie e dell'atmosfera. Credito:NASA / JPL / Università dell'Arizona / Università dell'Idaho
Gli sviluppi nell'intelligenza artificiale possono aiutarci a prevedere la probabilità di vita su altri pianeti, secondo un nuovo lavoro di un team con sede alla Plymouth University. Lo studio utilizza le reti neurali artificiali (ANN) per classificare i pianeti in cinque tipi, stimando una probabilità di vita in ogni caso, che potrebbe essere utilizzato in future missioni di esplorazione interstellare. Il lavoro è presentato alla Settimana europea dell'astronomia e delle scienze spaziali (EWASS) a Liverpool il 4 aprile da Christopher Bishop.
Le reti neurali artificiali sono sistemi che tentano di replicare il modo in cui il cervello umano apprende. Sono uno dei principali strumenti utilizzati nel machine learning, e sono particolarmente bravi a identificare modelli che sono troppo complessi per essere elaborati da un cervello biologico.
Il gruppo, con sede presso il Center for Robotics and Neural Systems della Plymouth University, hanno addestrato la loro rete a classificare i pianeti in cinque tipi diversi, in base al fatto che siano più simili alla Terra odierna, la Terra primitiva, Marte, Venere o la luna di Saturno Titano. Tutti e cinque questi oggetti sono corpi rocciosi noti per avere atmosfere, e sono tra gli oggetti potenzialmente più abitabili nel nostro Sistema Solare.
Il signor Vescovo commenta, "Attualmente siamo interessati a queste ANN per dare la priorità all'esplorazione per un ipotetico, intelligente, veicolo spaziale interstellare che scansiona un sistema di esopianeti a distanza."
Aggiunge, "Stiamo anche valutando l'utilizzo di un'ampia area, dispiegabile, antenne planari Fresnel per riportare i dati sulla Terra da una sonda interstellare a grandi distanze. Ciò sarebbe necessario se la tecnologia venisse utilizzata in veicoli spaziali robotici in futuro".
Gli input rappresentano i valori di uno spettro dell'atmosfera di un pianeta di prova. Il livello di output contiene una "probabilità di vita", che si basa su una misurazione della somiglianza dell'input con i cinque obiettivi del sistema solare. Gli input passano attraverso una serie di livelli nascosti nella rete, che sono interconnessi e consentono alla rete di "apprendere" quali modelli di righe spettrali corrispondono a uno specifico tipo di pianeta. Credito:C. Bishop / Università di Plymouth
Le osservazioni atmosferiche - note come spettri - dei cinque corpi del Sistema Solare sono presentate come input alla rete, a cui viene poi chiesto di classificarli in termini di tipo planetario. Poiché attualmente si sa che la vita esiste solo sulla Terra, la classificazione utilizza una metrica di "probabilità di vita" che si basa sulle proprietà atmosferiche e orbitali relativamente ben comprese dei cinque tipi di target.
Bishop ha addestrato la rete con oltre cento profili spettrali diversi, ciascuno con diverse centinaia di parametri che contribuiscono all'abitabilità. Finora, la rete funziona bene quando viene presentata con un profilo spettrale di prova che non ha mai visto prima.
"Visti i risultati finora, questo metodo può rivelarsi estremamente utile per classificare diversi tipi di esopianeti utilizzando i risultati degli osservatori terrestri e vicini alla Terra", afferma il dott. Angelo Cangelosi, il supervisore del progetto.
La tecnica può anche essere ideale per selezionare obiettivi per osservazioni future, dato l'aumento dei dettagli spettrali previsto dalle prossime missioni spaziali come la missione spaziale Ariel dell'ESA e il telescopio spaziale James Webb della NASA.
