هوش مصنوعی، یک‌بار دیگر قدرت خود را به رخ بشر کشیده و این‌بار به کمک اخترشناسان آمده است تا پاسخی قطعی برای احتمال وجود حیات در مریخ ارائه دهد.
وب ناسا: صحبت‌کردن درمورد یافتن نشانه‌های حیات روی سیاره مریخ، موضوع جذابی است؛ اما ابتدا باید بدانیم که کجا را جستجو کنیم. رسیدن به مریخ سخت است و به‌همین دلیل باید مطمئن شویم که بهترین استفاده را از فرصت‌های موجود کرده‌ایم و سفر ما بیهوده نخواهد بود.
سطح زمین‌های خشک مریخ تقریبا اندازه‌ی زمین‌های سیاره آبی ما است و تنها یک تفاوت اساسی با آن دارد. اگر سنگی را به‌سمت کره‌ی زمین پرتاب کنیم، احتمال فرودآمدن این سنگ در جایی که حیات در آن وجود دارد بسیار زیاد است؛ اما تاریخ حیات در مریخ، علامت سوال بزرگی است که هنوز جوابی برای آن نداریم.
هوش مصنوعی و یادگیری ماشین می‌توانند دشواری جستجوی حیات روی مریخ را کاهش دهند. به‌گزارش ساینس‌آلرت، تیمی بین‌المللی از محققان که رهبری آن‌ها را یکی از اخترشناسان موسسه‌ی SETI به‌نام کیمبرلی وارن-رودز برعهده دارد، ثابت کرده است که این ابزارها می‌توانند با شناسایی الگوهای پنهان موجود در داده‌های جغرافیایی، به بشر در پیداکردن نشانه‌های حیات در این سیاره کمک کنند.
به‌گفته‌ی وارن-رودز، چهارچوب تیمشان به آن‌ها اجازه می‌دهد تا قدرت بوم‌شناسی آماری را با یادگیری ماشین ترکیب کنند. این ترکیب، به محققان کمک می‌کند تا الگوها و قوانینی را که طبیعت براساس آن‌ها زنده می‌ماند و خود را در خشن‌ترین مناطق زمین پخش می‌کند، کشف و پیش‌بینی کنند. وی در ادامه می‌افزاید: «ما امیدواریم که سایر تیم‌های اخترشناسی نیز برای نقشه‌برداری از دیگر مکان‌های سکونت‌پذیر و آثار زیستی، خود را با رویکرد ما تطبیق دهند. این مدل‌ها به ما کمک می‌کنند تا بتوانیم الگوهای سفارشی و نقشه‌های راهی را طراحی کنیم که مریخ‌نوردان را به سمت مکان‌هایی با بیشترین احتمال وجود حیات در گذشته هدایت کنند؛ هرچند این مکان‌ها، نادر یا دورازچشم باشند.»
یکی از شبیه‌ترین مناطق به دشت‌های خشک مریخ روی کره‌ی زمین، صحرای آتاکاما در شیلی است. آتاکاما، یکی از خشک‌ترین مناطق زمین به‌شمار می‌رود و دهه‌ها در این صحرا هیچ بارانی نمی‌بارد. حتی در این صحرای خشک و بدون بارندگی نیز می‌توان نشانه‌های حیات را در حفره‌ها و زیر زمین پیدا کرد.
وارن-رودز و همکارانش، مطالعات خود را روی منطقه‌ای در مرز بین صحرای آتاکاما و فلات آلتیپانو متمرکز کردند. این منطقه که سالار دپاهونالس (Salar de Pajonales) نام دارد، بستر رودخانه‌ای باستانی و یکی از شبیه‌ترین محیط‌های روی زمین به مریخ است. ارتفاع ۳۵۴۱ متری این منطقه باعث می‌شود تا در معرض پرتو فرابنفش بیشتری قرار داشته باشد. کمبود اکسیژن و خشکی و نمکی‌بودن بالا نیز از دیگر خصوصیات این منطقه به‌شمار می‌روند؛ اما بااین‌حال، می‌توان اشکالی از حیات را در آنجا یافت کرد که در سازندهای معدنی زندگی می‌کنند.
محققان با دقتی بسیار بالا، ۷۷۶۵ تصویر و ۱۱۵۴ نمونه را از مساحتی به وسعت ۲٫۷۸ کیلومترمربع جمع‌آوری کردند. هدف از انجام این‌کار، پیداکردن آثار زیستی برای اثبات وجود میکروب‌های فتوسنتزی در این منطقه بود. این تصاویر، شامل رنگدانه‌های کارتنوئید و کلروفیل بودند که تخته‌سنگ‌ها را به رنگ صورتی یا سبز نشان می‌دادند.
پژوهشگران همچنین برای شبیه‌سازی تصاویر ارسالی از ماهواره‌هایی که به‌دور مریخ می‌چرخند، از هواپیماهای بدون‌سرنشین استفاده کردند و نقشه‌های توپوگرافی سه‌بعدی را به‌کار گرفتند. در مرحله‌ی بعد، این اطلاعات به شبکه‌های عصبی پیچشی (CNNs) داده شد تا آموزش‌های لازم را برای تشخیص ساختارهایی با نشانه‌های حیات در این منطقه، به هوش مصنوعی ارائه دهند. جالب اینجا است که باوجود ترکیب معدنی تقریبا یکنواخت در این منطقه، شبکه‌های عصبی پیچشی الگوهای توزیع حیات میکروبی را در این ناحیه شناسایی کردند.
گنبدهای گچ معدنی نرم، حدود ۴۰ درصد و زمین راه‌راه با نوارهای گچی، تقریبا ۵۰ درصد دارای حیات بودند. محققان با بررسی دقیق‌تر ویژگی‌های این نواحی، موفق به کشف زیستگاه‌های کوچک موردنظر خود شدند. بررسی‌های آن‌ها حاکی از این بود که میکروب‌ها با‌شدت بالایی به سمت بخش‌هایی از مرمر گچی کشیده شده بودند. مرمر گچی، فرمی ریزدانه و متخلخل از گچ است که آب را در خود نگه می‌دارد.
محققان دریافتند که این زیستگاه‌های کوچک مرمر گچی نشان می‌دهند که محرک اصلی توزیع زیستگاه‌های کوچک درواقع آب است. به‌گفته‌ی آن‌ها، مرمرهای گچی تقریبا در همه‌جای دنیا سکونت‌پذیر هستند و مطمئن‌ترین عامل تعیین‌کننده برای یافتن آثار زیستی محسوب می‌شوند.
شبکه‌های عصبی پیچشی این امکان را برای محققان فراهم می‌کردند تا در ۸۷٫۵ درصد مواقع، آثار زیستی را به‌درستی شناسایی کنند. این رقم درمورد جستجوهای تصادفی، چیزی درحدود ۱۰ درصد بود. این شبکه‌ها، زمین موردنیاز برای پوشش توسط محققان را بین ۸۵ تا ۹۷ درصد کاهش می‌دادند.
فرِدی کالیتزیس، دانشمند کامپیوتر دانشگاه آکسفورد بریتانیا می‌گوید: «این مدل، هم برای تصاویر هوایی و هم برای داده‌های مقیاس سانتی‌متری زمینی، قابلیت پیش‌بینی بالایی را درمورد وجود مواد زمین‌شناسی که به احتمال زیاد حاوی آثار زیستی هستند، ازخود نشان داد. نتایج به‌دست‌آمده با واقعیت‌های عینی مطابقت داشتند و ارتباطی قوی بین توزیع آثار زیستی و ویژگی‌های وابسته به آب به‌چشم می‌خورد.»
باتوجه به یافته‌های این پژوهش، به‌نظر می‌رسد که رویکرد اخیر محققان مزایای متعددی به‌همراه دارد. این رویکرد، اطلاعات مفیدی را درزمینه‌ی حیات در شرایط سخت روی کره‌ی زمین به ما می‌دهد و علاوه بر کمک به شناسایی سایر آثار زیستی در زمین، نویدبخش شناسایی حیات در مریخ نیز است.
تیم پژوهشی قصد دارد تا CNNs-های خود را برای شناسایی سایر آثار زیستی مانند استروماتولیت‌ها و اجتماعات نمک‌دوستان نیز آموزش دهد. استروماتولیت‌ها (stromatolites) ساختارهای میکروبی فسیل‌شده‌ای هستند که ممکن است میلیاردها سال قدمت داشته باشند؛ نمک‌دوستان (halophiles) هم موجوداتی هستند که در محیط‌های بسیار شور زندگی می‌کنند.
این پژوهش در ژورنال Nature Astronomy منتشر شده است.
