根据普利茅斯大学一个团队的近期研究，人工智能的发展可以协助科学家预测其他行星上生命的可能性。该研究用于人工神经网络（ANNs）将行星分成五类，估算每种情况下的生命概率，这可以用作未来的星际探寻任务。这项工作于4月4日由克里斯托弗·毕肖弗先生在利物浦举办的欧洲天文与空间科学周（EWASS）上公开发表。
人工神经网络是企图拷贝人脑自学方式的系统。它们是机器学习中用于的主要工具之一，特别是在擅长于辨识简单的模式，而这些模式对于生物大脑来说是非常复杂的。这张制备图像表明了土星卫星泰坦的红外图像，来源于美国宇航局的卡西尼号宇宙飞船。
一些措施指出，泰坦享有除地球以外的任何世界的最低可居性评级，其基础是能源的可用性，以及各种表面和大气特征。图片版权：NASA／JPL／UniversityofArizona／UniversityofIdaho该团队坐落于普利茅斯大学的机器人和神经系统中心，他们早已“”训练“”了这个网络，根据否最像现在的地球、早期的地球、火星、金星或土星的卫星泰坦，将行星分为五种有所不同的类型。这五个都是未知有大气层的岩态天体，是太阳系中最合适居住于的星球之一。
毕肖弗先生评论道：我们现在对这些ANNs感兴趣，因为他们对一个假想智能的星际飞船展开了探寻，这是一种对太阳系外行星系统的扫瞄。研究大面积、可部署、平面菲涅尔天线的用于，以便从远距离的星际探测器传到地球数据，如果该技术将来用作机器人航天器，这将是适当的。
大气观测——被称作光谱的五种太阳系天体，被作为输出到网络，然后被拒绝根据行星类型对它们展开分类。由于目前未知的生命只不存在于地球上，所以分类用于了“生命概率”度规，这是基于对五种目标类型的比较较好的大气和轨道性质。毕肖普通过上百个有所不同的谱线对网络展开了训练，每个谱线都有几百个参数，这些参数都有助适应环境居住于环境。
这些输出代表了来自测试行星大气光谱的数值。输入层包括一个“生命的概率”，它是基于输出与五个太阳系统目标相近度的测量。输出通过网络中一系列隐蔽的层，这些层是相互连接的，使网络需要“自学”哪些谱线的模式对应于特定的行星类型。
图片版权：Bishop／PlymouthUniversity到目前为止，该网络在呈现出之前从未见过的测试光谱剖面时展现出较好。该项目的主管安杰洛·安杰洛西博士说道：考虑到目前的结果，这一方法可能会被证明对分类有所不同类型的系外行星十分简单，它们用于来自地面和近地观测站的结果。这一技术有可能也适合于为未来的观测自由选择目标，考虑到将要来临的太空任务，如ESA的Arielspace任务和NASA的詹姆斯·韦伯太空望远镜光谱细节的减少。
本文来源：ky体育·下载地址-www.sjzkouzhao.com
