根据普利茅斯大学一个团队的最新研究，人工智能的发展可以帮助科学家预测其他行星上生命的可能性。该研究使用人工神经网络（ANNs）将行星分为五类，估计每种情况下的生命概率，这可以用于未来的星际探索任务。这项工作于4月4日由克里斯托弗·毕肖普先生在利物浦举行的欧洲天文与空间科学周（EWASS）上发表。人工神经网络是试图复制人脑学习方式的系统。它们是机器学习中使用的主要工具之一，尤其擅长识别复杂的模式，而这些模式对于生物大脑来说是非常复杂的。

这张合成图像显示了土星卫星泰坦的红外图像，取自美国宇航局的卡西尼号宇宙飞船。一些措施表明，泰坦拥有除地球以外的任何世界的最高可居性评级，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 ／ University of Arizona ／ University of Idaho

该团队位于普利茅斯大学的机器人和神经系统中心，他们已经“”训练“”了这个网络，根据是否最像现在的地球、早期的地球、火星、金星或土星的卫星泰坦，将行星分成五种不同的类型。这五个都是已知有大气层的岩态天体，是太阳系中最适合居住的星球之一。毕肖普先生评论道：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进行了探索，这是一种对太阳系外行星系统的扫描。

研究大面积、可部署、平面菲涅尔天线的使用，以便从远距离的星际探测器传回地球数据，如果该技术将来用于机器人航天器，这将是必要的。大气观测——被称为光谱的五种太阳系天体，被作为输入到网络，然后被要求根据行星类型对它们进行分类。由于目前已知的生命只存在于地球上，所以分类使用了“生命概率”度规，这是基于对五种目标类型的相对较好的大气和轨道性质。毕肖普通过上百个不同的谱线对网络进行了训练，每个谱线都有几百个参数，这些参数都有助于适应居住环境。

这些输入代表了来自测试行星大气光谱的数值。输出层包含一个“生命的概率”，它是基于输入与五个太阳系统目标相似度的测量。输入通过网络中一系列隐藏的层，这些层是相互连接的，使网络能够“学习”哪些谱线的模式对应于特定的行星类型。图片版权：Bishop ／ Plymouth University

到目前为止，该网络在呈现之前从未见过的测试光谱剖面时表现良好。该项目的主管安杰洛·安杰洛西博士说：考虑到目前的结果，这一方法可能会被证明对分类不同类型的系外行星非常有用，它们使用来自地面和近地观测站的结果。这一技术可能也适合于为未来的观测选择目标，考虑到即将到来的太空任务，如ESA的Ariel space任务和NASA的詹姆斯·韦伯太空望远镜光谱细节的增加。