本文由《物联网圈子》整理。

天文学会认为：人工智能的发展可以帮助我们预测其他行星的生命可能性。该研究使用人工神经网络（ANN）将行星分为五类，估计每种情况下的生命概率，这可用于未来的星际探测任务。

复合图像显示了土星卫星泰坦的红外视图

复合图像显示了土星卫星泰坦的红外视图，取自NASA的卡西尼号航天器。有些措施表明，根据诸如能源可用性，各种地表和大气特征等因素，泰坦的地球可吸收能力评分最高。

根据位于普利茅斯大学的一个团队的新研究，人工智能的发展可能帮助我们预测其他星球的生命可能性。该研究使用人工神经网络（ANN）将行星分为五类，估计每种情况下的生命概率，这可用于未来的星际探测任务。4月4日，Christopher Bishop先生在利物浦的欧洲天文与空间科学周（EWASS）上发表了这项工作。

人工神经网络是试图复制人类大脑学习方式的系统。它们是机器学习中使用的主要工具之一，尤其擅长识别对于生物大脑来说过于复杂的模式。

这个团队位于普利茅斯大学机器人和神经系统中心，他们已经测试了他们的网络，把行星分类成五种不同的类型。基于他们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，将行星分为五种不同的类型。所有这五个都是具有大气的岩石体，是我们太阳系中最有可能居住的物体之一。

Bishop先生评论说：“我们目前对这些人工神经网络感兴趣，以便优先探索一个假设的，智能的星际航天器探测范围外的系外行星系统。”

他补充说：“我们也在研究如何使用大面积，可展开的平面菲涅耳天线将数据从大距离的星际探测器传回地球，如果未来将这种技术用于机器人航天器“。

将五个太阳系天体的大气观测称为光谱，作为网络的输入，然后按要求用行星类型对它们进行分类。由于目前仅知道生命存在于地球上，所以该分类使用“生命概率”度量，这是基于五个目标类型的相对较好理解的大气和轨道性质。

Bishop用超过一百种不同的光谱轮廓调试了这个网络，每一个光谱都具有几百个有助于可居住性的参数。到目前为止，网络在呈现前所未见的测试光谱配置文件时表现良好。

“鉴于迄今为止的结果，该方法可能证明对于使用地面和近地观测站的结果对不同类型的系外行星进行分类非常有用，”项目主管Angelo Cangelosi博士说。

考虑到即将到来的太空任务，例如欧空局的阿里尔太空任务和美国宇航局的詹姆斯韦伯太空望远镜预计的光谱细节的增加，该技术也可能非常适合选择未来观测的目标。