Bagaimana AI dapat membantu menemukan kehidupan di luar Bumi?
Perburuan kehidupan di luar planet rumah kita akan semakin mudah di masa depan. Para ilmuwan telah mengembangkan alat pembelajaran mesin baru yang dapat membantu mencari tanda-tanda kehidupan di Mars dan benda luar angkasa lainnya. Khususnya, alat yang baru dikembangkan dapat memiliki implikasi yang signifikan untuk misi Perseverance Rover, yang saat ini menyelidiki Mars, serta misi robot masa depan lainnya.
Mengapa artikel ini penting?
Saat ini, kemampuan mengumpulkan sampel dari planet lain masih terbatas. Peneliti menggunakan peralatan penginderaan jauh untuk mencari petunjuk kehidupan di dunia asing dan mengakses instrumen ini juga merupakan kesulitan. Alat AI terbaru ini dan hasil yang menjanjikan menunjukkan bahwa hal-hal bisa menjadi jauh lebih mudah bagi komunitas ilmiah di masa depan.
Para ilmuwan telah menggunakan cekungan garam untuk membuat model pengetahuan
Para ilmuwan memetakan bentuk kehidupan jarang yang ada di kubah garam, bebatuan, dan kristal di Salar de Pajonales, cekungan garam yang terletak di perbatasan Gurun Atacama Chili dan Altiplano, wilayah dataran tinggi. Dengan ketinggian 3.541 meter, UV tinggi, dan lingkungan hyperarid, kondisi Pajonales dianggap mirip dengan Mars.
Model ini dilatih untuk mengidentifikasi distribusi kehidupan
Para peneliti melatih model pembelajaran mesin untuk mengenali pola dan aturan yang terkait dengan distribusi kehidupan di wilayah yang keras ini. Pelatihan mengajarkan model untuk mengidentifikasi pola serupa dalam data yang tidak digunakan untuk berlatih.
Sistem ini dapat mendeteksi biosignature 87,5%
Setelah menggabungkan ekologi statistik dengan AI, sistem dapat menemukan dan mendeteksi tanda biologis—zat yang dapat memberikan bukti kehidupan masa lalu atau masa kini—hingga 87,5%. Sebagai perbandingan, hanya sekitar 10% tingkat keberhasilan yang dicapai dengan pencarian acak. Selanjutnya, alat tersebut dapat mengurangi area yang dibutuhkan untuk pencarian sebanyak 97%, membantu para ilmuwan menyempurnakan perburuan mereka untuk kehidupan di luar bumi.
Warren-Rhodes: Kami berharap tim astrobiologi lain mengadopsi pendekatan kami
"Kerangka kerja kami memungkinkan kami untuk menggabungkan kekuatan ekologi statistik dengan pembelajaran mesin untuk menemukan dan memprediksi pola dan aturan di mana alam bertahan dan mendistribusikan dirinya sendiri di lanskap paling keras di Bumi," kata Kim Warren-Rhodes, dari SETI Institute yang memimpin penelitian tersebut. "Kami berharap tim astrobiologi lain mengadopsi pendekatan kami untuk memetakan lingkungan dan biosignature lain yang layak huni."
Model ini dapat membantu merancang "peta jalan yang dibuat khusus" untuk memandu rover
"Dengan model-model ini, kami dapat merancang peta jalan dan algoritma yang dibuat khusus untuk memandu rover ke tempat-tempat dengan kemungkinan tertinggi untuk menyimpan kehidupan masa lalu atau masa kini — tidak peduli seberapa tersembunyi atau jarangnya," tambah Warren-Rhodes. Alat pembelajaran mesin semacam itu, menurut para peneliti, dapat digunakan dalam misi robotik seperti rover Perseverance, yang saat ini sedang menyelidiki tanda-tanda kehidupan di Kawah Jezero Mars.
Tim mengumpulkan sekitar 8.000 gambar
Tim mengumpulkan sekitar 8.000 gambar dan lebih dari 1.000 sampel dari Salar de Pajonales dan menguji instrumen untuk mendeteksi mikroba fotosintesis yang hidup di dalam kubah garam, bebatuan, dan kristal alabaster di kawasan itu. Pigmen yang dikeluarkan oleh mikroba ini mewakili salah satu kemungkinan biosignature pada "Ladder of Life Detection" NASA yang dirancang untuk memandu penyelidikan untuk "mendeteksi kehidupan mikroba dalam batasan praktis misi luar angkasa dengan robot."
Peneliti menemukan kehidupan mikroba di Pajonales tidak terdistribusi secara acak
Dengan menggunakan citra drone, tim menentukan bahwa kehidupan mikroba di Salar de Pajonales tidak terdistribusi secara acak. Sebaliknya, itu terkonsentrasi di hotspot biologis yang sangat terkait dengan ketersediaan air.
Model ini dilatih untuk mengidentifikasi habitat skala makro dan skala mikro
Tim melatih convolutional neural network (CNN) untuk mengenali dan memprediksi fitur geologi skala makro besar di Salar de Pajonales. Ciri-ciri tertentu yang ditemukan di wilayah ini seperti pola tanah atau jaringan poligonal juga ada di Mars. Sistem ini juga dilatih untuk mengidentifikasi dan memprediksi habitat skala mikro yang lebih kecil yang kemungkinan besar mengandung biosignature.
CNN akan diuji dengan fosil stromatolit dan mikrobioma toleran garam
Selanjutnya, tim akan menguji kemampuan CNN untuk memprediksi lokasi dan distribusi fosil stromatolit purba dan mikrobioma toleran garam dengan algoritma pembelajaran mesin yang sama yang dapat membantu memahami apakah aturan yang sama berlaku untuk sistem alam serupa lainnya. Setelah ini, para peneliti berharap untuk mulai memetakan mata air panas, tanah beku yang tertutup permafrost, dan bebatuan di lembah kering.
