Поиск жизни на экзопланетах: учёные предлагают искать "аномалии" с помощью машинного обучения

Контекст: Новые космические телескопы (JWST, Euclid, будущие RST, SPHEREx, PLATO, ARIEL) будут генерировать огромные объёмы спектроскопических данных об атмосферах экзопланет. Для их анализа потребуются передовые методы машинного обучения (ML).

Суть предложения: Учёные из Университета Флориды предлагают использовать ML для поиска аномалий в спектрах, которые могут указывать на необычные химические сигнатуры и неизвестные биосигнатуры. Это расширяет поиск жизни за рамки привычных шаблонов ("жизни, какой мы её знаем").

Проблема традиционного подхода: Сейчас поиск сосредоточен на известных биосигнатурах с Земли: N₂, O₂, CO₂, CH₄, NH₃, H₂O. Однако природа жизни может быть шире, и мы можем не знать, что именно искать.

Методология исследования:

• Использованы два популярных ML-метода обнаружения аномалий: Local Outlier Factor (LOF) и One-Class Support Vector Machine (OCSVM).
• Алгоритмы обучали и тестировали на большой публичной базе синтетических спектров (более 100 000) от команды миссии ESA ARIEL.
• В эксперименте один из поглотителей (например, H₂O) объявлялся "загадочным". ML обучали на данных без этого газа, а затем проверяли, сможет ли он корректно отметить планеты с ним как аномальные.

Результаты:

• Оба метода (LOF и OCSVM) отлично справились с обнаружением аномальных планет при отсутствии шума или очень низком уровне шума (~10 ppm), даже для малых количеств "загадочного" газа.
• Точность падает с увеличением уровня шума в сигнале.
• Методы оказались очень надёжными.

Значение и перспективы:

• ML позволит быстро и систематически анализировать тысячи экзопланет, выявляя необычные объекты для последующего детального изучения.
• Этот подход по сути является поиском жизни "как мы её не знаем", поскольку фокусируется на отклонениях от текущих теоретических моделей.
• Как отметила профессор Катя Мачева: "Поиск признаков жизни во Вселенной больше похож на поиск иголки в стоге сена, а не на поиск дымящегося пистолета. Это ещё сложнее, потому что мы не знаем, как выглядит иголка. Методы обнаружения новизны созданы именно для этого".

Вывод: Использование ML для поиска аномалий в данных следующего поколения может стать "правилом игры" в астрофизике и повысить шансы на обнаружение неизвестных форм жизни или химических процессов.