這張合成映像顯示了土星衛星泰坦的紅外映像, 取自美國宇航局的卡西尼號宇宙飛船. 一些措施表明, 泰坦擁有除地球以外的任何世界的最高可居性評級, 其基礎是能源的可用性, 以及各種表面和大氣特徵. 圖片著作權: NASA / JPL / University of Arizona / University of Idaho
該團隊位於普利茅斯大學的機器人和神經系統中心, 他們已經 '' 訓練 '' 了這個網路, 根據是否最像現在的地球, 早期的地球, 火星, 金星或土星的衛星泰坦, 將行星分成五種不同的類型. 這五個都是已知有大氣層的岩態天體, 是太陽系中最適合居住的星球之一. 畢肖普先生評論道: 我們現在對這些ANNs感興趣, 因為他們對一個假想智能的星際飛船進行了探索, 這是一種對太陽系外行星系統的掃描.
研究大面積, 可部署, 平面菲涅爾天線的使用, 以便從遠距離的星際探測器傳回地球, 如果該技術將來用於機器人航天器, 這將是必要的. 大氣觀測——被稱為光譜的五種太陽系天體, 被作為輸入到網路, 然後被要求根據行星類型對它們進行分類. 由於目前已知的生命只存在於地球上, 所以分類使用了 '生命機率' 度規, 這是基於對五種目標類型的相對較好的大氣和軌道性質. 畢肖普通過上百個不同的譜線對網路進行了訓練, 每個譜線都有幾百個參數, 這些參數都有助於適應居住環境.
這些輸入代表了來自測試行星大氣光譜的數值. 輸出層包含一個 '生命的機率' , 它是基於輸入與五個太陽系統目標相似度的測量. 輸入通過網路中一系列隱藏的層, 這些層是相互連接的, 使網路能夠 '學習' 哪些譜線的模式對應於特定的行星類型. 圖片著作權: Bishop / Plymouth University
到目前為止, 該網路在呈現之前從未見過的測試光譜剖面時表現良好. 該項目的主管安傑洛·安傑洛西博士說: 考慮到目前的結果, 這一方法可能會被證明對分類不同類型的系外行星非常有用, 它們使用來自地面和近地觀測站的結果. 這一技術可能也適合於為未來的觀測選擇目標, 考慮到即將到來的太空任務, 如ESA的Ariel space任務和NASA的詹姆斯·韋伯太空望遠鏡光譜細節的增加.