Zar ne bi bilo lakše pronaći život na drugim svetovima kada bismo tačno znali gde da tražimo? Istraživači imaju ograničene mogućnosti da sakupe uzorke na Marsu ili negde drugde ili pristupe instrumentima za daljinsko ispitivanje kada traže život izvan Zemlje.
U radu objavljenom u Nature Astronomi, interdisciplinarnoj studiji koju je vodio viši naučnik instituta SETI Kim Varren-Rhodes, mapirao je retki život skriven u slanim kupolama, stenama i kristalima u Salar de Pajonales na granici čileanske pustinje Atakama i Altiplana. .
Zatim su obučili model mašinskog učenja da prepozna obrasce i pravila povezana sa njihovim distribucijama kako bi mogao da nauči da predvidi i pronađe te iste distribucije u podacima za koje nije bio obučen. U ovom slučaju, kombinovanjem statističke ekologije sa AI/ML, naučnici bi mogli da lociraju i detektuju biosignature do 87,5% vremena (nasuprot ≤10% slučajnim pretraživanjem) i da smanje oblast potrebnu za pretragu do 97%.
„Naš okvir nam omogućava da kombinujemo moć statističke ekologije sa mašinskim učenjem kako bismo otkrili i predvideli obrasce i pravila po kojima priroda preživljava i distribuira se u najsurovijim predelima na Zemlji“, rekao je Rouds.
„Nadamo se da će drugi astrobiološki timovi prilagoditi naš pristup mapiranju drugih životnih sredina i biosignatura. Sa ovim modelima možemo dizajnirati prilagođene mape puta i algoritme da usmere rovere do mesta sa najvećom verovatnoćom da utočište prošlog ili sadašnjeg života – bez obzira na to koliko su skriveni ili retko“. Video koji prikazuje glavne koncepte integracije skupova podataka od orbite do zemlje. Prvi kadrovi zumiraju sa globalnog pogleda na orbitalnu sliku Salara de Pajonalesa. Salar je zatim prekriven interpretacijom njegove kompozicione varijabilnosti izvedenom iz ASTER multispektralnih podataka. Sledeća sekvenca kadrova prelazi na slike terena na terenu u Salar de Pajonalesu dobijene dronom. Obratite pažnju na interesantne karakteristike koje postaju prepoznatljive na sceni, počevši od poligonalnih mreža grebena, zatim pojedinačnih gipsanih kupola i poligonalnog uzorkovanog tla, i završavajući pojedinačnim oštricama selenita. Video se završava prikazom iz prvog lica skupa gipsanih kupola proučavanih u članku korišćenjem tehnika mašinskog učenja. Kredit: M. Phillips
Na kraju, slični algoritmi i modeli mašinskog učenja za mnogo različitih tipova useljivih okruženja i biosignatura mogli bi da se automatizuju na planetarnim robotima kako bi efikasno vodili planere misija u oblasti na bilo kom nivou sa najvećom verovatnoćom da sadrže život.
Rouds i tim SETI Instituta NASA Instituta za astrobiologiju (NAI) koristili su Salar de Pajonales, kao analog Marsa. Pajonales je visoka nadmorska visina (3.541 m), visoka U/V, hiperaridno, suvo slano dno jezera, koje se smatra negostoljubivim za mnoge oblike života, ali ipak pogodno za stanovanje.
Tokom terenskih kampanja NAI projekta, tim je prikupio preko 7.765 slika i 1.154 uzorka i testirao instrumente za otkrivanje fotosintetskih mikroba koji žive u slanim kupolama, stenama i kristalima alabastera. Ovi mikrobi izlučuju pigmente koji predstavljaju jedan mogući biološki potpis na NASA-inoj lestvici detekcije života.
U Pajonalesu, slike leta dronova povezale su simulirane orbitalne (HiRISE) podatke sa uzorkovanjem tla i 3-D topografskim mapiranjem da bi se izdvojili prostorni obrasci. Nalazi studije potvrđuju (statistički) da život mikroba na zemaljskoj analognoj lokaciji Pajonales nije raspoređen nasumično, već koncentrisan u neujednačenim biološkim žarištima koja su snažno povezana sa dostupnošću vode na skali od km do cm.
Zatim, tim je obučio konvolutivne neuronske mreže (CNN) da prepoznaju i predvide geološke karakteristike makrorazmera u Pajonalesu — od kojih se neke, poput šablonizovanog tla ili poligonalnih mreža, takođe nalaze na Marsu — i mikroskopske supstrate (ili „mikro- staništa’) najverovatnije sadrže biosignature.
Kao i Perseverance tim na Marsu, istraživači su testirali kako da efikasno integrišu UAV/drone sa zemaljskim roverima, bušilicama i instrumentima (npr. VISIR na ‘MastCam-Z’ i Raman na ‘SuperCam’ na Mars 2020 Perseverance roveru) .
Sledeći istraživački cilj tima u Pajonalesu je da testira sposobnost CNN-a da predvidi lokaciju i distribuciju drevnih fosila stromatolita i mikrobioma halita sa istim programima mašinskog učenja kako bi saznao da li se slična pravila i modeli primenjuju na druge slične, ali malo drugačije prirodne sisteme.
Odatle će se istraživati i mapirati potpuno novi ekosistemi, kao što su topli izvori, permafrost zemljišta i stene u suvim dolinama. Kako bude sve više dokaza, hipoteze o konvergenciji životnih sredstava za preživljavanje u ekstremnim okruženjima biće iterativno testirane, a nacrti verovatnoće biosignature za ključne analogne ekosisteme i biome Zemlje će biti inventarisani.
„Dok je visoka stopa detekcije biosignature centralni rezultat ove studije, ništa manje važno je to što je uspešno integrisala skupove podataka u znatno različitim rezolucijama od orbite do zemlje, i konačno povezala regionalne orbitalne podatke sa mikrobnim staništima“, rekla je Nathalie A. Cabrol, PI tima NAI Instituta SETI.
„Sa njim je naš tim pokazao put koji omogućava prelazak sa skala i rezolucija potrebnih za karakterizaciju nastanjivosti na one koje nam mogu pomoći da pronađemo život. U toj strategiji, dronovi su bili od suštinskog značaja, ali je bila i implementacija terenskih istraživanja mikrobne ekologije koja zahtevaju produžene periode (do nedelja) in situ (i na mestu) mapiranja u malim oblastima, strategija koja je bila kritična za karakterizaciju lokalnih ekoloških obrazaca koji su povoljni za životne niše.“
