如果我们确切地知道去哪里寻找，在其他世界寻找生命不是更容易吗?研究人员在寻找地球以外的生命时，在火星或其他地方收集样本或使用遥感仪器的机会有限。在发表在《自然天文学》上的一篇论文中 ，由 SETI 研究所高级研究科学家 Kim Warren-Rhodes 领导的一项跨学科研究绘制了隐藏在智利阿塔卡马沙漠和 Altiplano 交界处的 Salar de Pajonales 盐丘、岩石和晶体中的稀疏生命。然后，他们训练了一个机器学习模型来识别与其分布相关的模式和规则，这样它就可以学习预测并在未训练的数据中找到相同的分布。在这种情况下，通过将统计生态学与 AI/ML 相结合，科学家们可以在高达 87.5% 的时间内定位和检测生物印记(相比之下，随机搜索只能达到 ≤10%)，并将搜索所需的区域减少高达 97%。
“我们的框架使我们能够将统计生态学的力量与机器学习相结合，以发现和预测大自然在地球上最严酷的景观中生存和分布的模式和规则。”罗兹说。“我们希望其他天体生物学团队采用我们的方法来绘制其他宜居环境和生物印记。有了这些模型，我们可以设计量身定制的路线图和算法，引导漫游者前往最有可能藏匿过去或现在生命的地方——无论多么隐蔽或罕见。”
最终，适用于许多不同类型的宜居环境和生物特征的类似算法和机器学习模型可以在行星机器人上实现自动化，以有效地引导任务规划人员前往任何规模的最有可能存在生命的区域。
Rhodes 和 SETI 研究所 NASA 天体生物学研究所 (NAI) 团队使用 Salar de Pajonales 作为火星模拟物。Pajonales 是一个高海拔(3,541 米)、高 U/V、极度干旱、干涸的盐湖床，被认为不适合许多生命形式居住，但仍然适合居住。
在 NAI 项目的实地活动期间，该团队收集了超过 7,765 张图像和 1,154 个样本并测试了仪器，以检测生活在盐丘、岩石和雪花石膏晶体中的光合微生物。这些微生物散发出的色素代表了 NASA 生命探测阶梯上的一种可能生物特征。
在 Pajonales，无人机飞行图像将模拟轨道 (HiRISE) 数据连接到地面采样和 3D 地形图以提取空间模式。该研究的发现(从统计学上)证实，Pajonales 陆地模拟地点的微生物生命并不是随机分布的，而是集中在斑块状的生物热点中，这些热点与千米到厘米尺度的水资源可用性密切相关。
接下来，该团队训练了卷积神经网络 (CNN) 来识别和预测帕约纳莱斯的宏观地质特征——其中一些地质特征，如图案化地面或多边形网络，也存在于火星上——以及微观尺度基质(或“微观”)。栖息地”)最有可能包含生物印记。
与火星上的毅力团队一样，研究人员测试了如何有效地将无人机/无人机与地面漫游车、钻头和仪器(例如，“MastCam-Z”上的 VISIR 和火星 2020 毅力漫游车上“SuperCam”上的拉曼)集成.
该团队在 Pajonales 的下一个研究目标是测试 CNN 使用相同的机器学习程序预测古代叠层石化石和岩盐微生物组的位置和分布的能力，以了解类似的规则和模型是否适用于其他类似但略有不同的自然系统。从那里开始，将探索和绘制干谷中的温泉、永久冻土和岩石等全新的生态系统。随着越来越多的证据积累，关于生命在极端环境中生存方式趋同的假设将被反复检验，地球关键模拟生态系统和生物群落的生物特征概率蓝图将被清点。
“虽然高生物特征检测率是这项研究的核心结果，但同样重要的是，它成功地整合了从轨道到地面的截然不同分辨率的数据集，并最终将区域轨道数据与微生物栖息地联系起来，”Nathalie A 说。 . Cabrol，SETI Institute NAI 团队的 PI。“有了它，我们的团队展示了一条途径，可以从表征宜居性所需的尺度和分辨率过渡到可以帮助我们找到生命的尺度和分辨率。在该战略中，无人机是必不可少的，但微生物生态学实地调查的实施也很重要，这需要在小范围内进行长时间(长达数周)的原位 ( 和就地)测绘，这一战略对于描述当地环境模式至关重要有利于生活的利基。”
由 SETI 研究所的 NAI 团队领导的这项研究为机器学习铺平了道路，以帮助科学家寻找宇宙中的生物印记。他们的论文“Orbit-to-Ground Framework to Decode and Predict Biosignature Patterns in Terrestrial Analogues”是 NASA 资助的 NAI 项目五年的结晶，也是与来自 17 个机构的 50 多名团队成员合作的天体生物学研究成果。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！