火星的地表面积超过 1.4437 亿平方英里，有大量的地方可能隐藏着潜在生命的迹象。考虑到当前和未来探测器宝贵的时间，以高效的方式搜寻潜在古代微生物和有机物的证据就变得更具挑战性。为了稍微拉平竞争，SETI 正在再次求助于人工智能和机器学习，以计算探测器——或许有一天，也包括宇航员——寻找生命线索的最可能和最有希望的地方。正如周一在《自然·天文学》上首次详细介绍的那样，该团队新的人工智能机器学习模型已经显示出加速人类寻找外星生命的潜力。
[相关：想去火星旅行？这是旅行所需的时间。]
为了构建他们的人工智能，由 SETI 研究所高级研究科学家 Kim Warren-Rhodes 领导的跨学科项目，利用从一个名为 Salar de Pajonales 的地区提取的数据集来训练一个程序。Pajonales 位于智利阿塔卡马沙漠和阿尔蒂普拉诺高原的边界，由于其高海拔、干旱气候、干涸的盐湖床、高紫外线辐射以及稀少的、光合作用的微生物生命，它被视为火星的合适替代地点。该团队收集了该地区岩石、晶体和盐丘的 7,765 张图像和 1,154 个样本，然后利用这些信息以及其他数据集来教会他们的程序理解和检测具有小型生物特征的区域。当将 AI/ML 程序指向附近一个新区域时，该系统能够发现类似的生物特征，成功率接近 88%，而之前的随机搜索成功率不到 10%。新方法还将所需的搜索区域减少了多达 97%。
Rhodes 在一份声明中解释说：“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。”他们还表示，希望其他天体生物学家能将这种方法推广到绘制其他环境地图，以及检测其他生物特征。“有了这些模型，我们可以设计量身定制的路线图和算法，引导探测器前往最有可能存在过去或现在生命的地区——无论它们多么隐蔽或稀少，”她说。
[相关： 火星上检测到过去化学反应的迹象。]
另一位团队成员 Nathalie A. Cabrol 表示：“虽然高生物特征检测率是这项研究的一个核心结果，但同样重要的是，它成功地整合了不同分辨率的数据集，从轨道到地面，最终将区域轨道数据与微生物栖息地联系起来。”
该团队希望随着时间的推移，他们和其他天体生物学家团队能够继续构建协作数据集，通过将其集成到未来的行星探测器中，从而为寻找外星生命提供帮助。
