这张合成图像显示了土星卫星泰坦的红外图像, 取自美国宇航局的卡西尼号宇宙飞船. 一些措施表明, 泰坦拥有除地球以外的任何世界的最高可居性评级, 其基础是能源的可用性, 以及各种表面和大气特征. 图片版权: NASA / JPL / University of Arizona / University of Idaho
该团队位于普利茅斯大学的机器人和神经系统中心, 他们已经 '' 训练 '' 了这个网络, 根据是否最像现在的地球, 早期的地球, 火星, 金星或土星的卫星泰坦, 将行星分成五种不同的类型. 这五个都是已知有大气层的岩态天体, 是太阳系中最适合居住的星球之一. 毕肖普先生评论道: 我们现在对这些ANNs感兴趣, 因为他们对一个假想智能的星际飞船进行了探索, 这是一种对太阳系外行星系统的扫描.
研究大面积, 可部署, 平面菲涅尔天线的使用, 以便从远距离的星际探测器传回地球, 如果该技术将来用于机器人航天器, 这将是必要的. 大气观测——被称为光谱的五种太阳系天体, 被作为输入到网络, 然后被要求根据行星类型对它们进行分类. 由于目前已知的生命只存在于地球上, 所以分类使用了 '生命概率' 度规, 这是基于对五种目标类型的相对较好的大气和轨道性质. 毕肖普通过上百个不同的谱线对网络进行了训练, 每个谱线都有几百个参数, 这些参数都有助于适应居住环境.
这些输入代表了来自测试行星大气光谱的数值. 输出层包含一个 '生命的概率' , 它是基于输入与五个太阳系统目标相似度的测量. 输入通过网络中一系列隐藏的层, 这些层是相互连接的, 使网络能够 '学习' 哪些谱线的模式对应于特定的行星类型. 图片版权: Bishop / Plymouth University
到目前为止, 该网络在呈现之前从未见过的测试光谱剖面时表现良好. 该项目的主管安杰洛·安杰洛西博士说: 考虑到目前的结果, 这一方法可能会被证明对分类不同类型的系外行星非常有用, 它们使用来自地面和近地观测站的结果. 这一技术可能也适合于为未来的观测选择目标, 考虑到即将到来的太空任务, 如ESA的Ariel space任务和NASA的詹姆斯·韦伯太空望远镜光谱细节的增加.