Apakah tidak akan lebih mudah menemukan kehidupan di planet lain jika kita tahu persis di mana harus mencarinya? Para peneliti memiliki kesempatan terbatas untuk mengumpulkan sampel di Mars atau tempat lain atau mengakses instrumen penginderaan jauh saat mencari kehidupan di luar Bumi. Dalam sebuah makalah yang diterbitkan di Nature Astronomy, sebuah studi lintas disiplin yang dipimpin oleh Kim Warren-Rhodes, Senior Research Scientist di SETI Institute, memetakan kehidupan langka yang tersembunyi di dalam kubah garam, batu, dan kristal di Salar de Pajonales di perbatasan Gurun Atacama dan Altiplano Chile.
Kemudian mereka melatih model pembelajaran mesin untuk mengenali pola dan aturan yang terkait dengan distribusi tersebut sehingga dapat memprediksi dan menemukan distribusi yang sama dalam data yang tidak dilatih. Dalam hal ini, dengan menggabungkan ekologi statistik dengan AI/ML, para ilmuwan dapat menemukan dan mendeteksi biosignature hingga 87,5% dari waktu (dibandingkan dengan ≤10% oleh pencarian acak) dan mengurangi luas area yang dibutuhkan untuk pencarian hingga 97%.
Menggunakan Salar De Pajonales Sebagai Analogi Mars
Ilustrasi Cara Kerja Deteksi Kehidupan di Mars
Kim Warren-Rhodes, peneliti senior di SETI Institute, menyatakan, “Kerangka kerja kami memungkinkan kami menggabungkan kekuatan ekologi statistik dengan pembelajaran mesin untuk menemukan dan memprediksi pola dan aturan yang membuat alam bertahan hidup dan mendistribusikan dirinya di lingkungan paling keras di Bumi. Kami berharap tim astrobiologi lain mengadopsi pendekatan kami untuk memetakan lingkungan yang dapat ditinggali dan biosignature lainnya. Dengan model-model ini, kami dapat merancang peta jalan dan algoritma yang disesuaikan untuk memandu rover ke tempat-tempat dengan probabilitas tertinggi untuk menyimpan kehidupan masa lalu atau sekarang — tidak peduli seberapa tersembunyi atau langka.”
Pada akhirnya, algoritma dan model pembelajaran mesin yang serupa untuk berbagai jenis lingkungan yang dapat dihuni dan biosignature yang berbeda dapat diotomatisasikan pada robot planet untuk memandu perencana misi secara efisien ke area dengan probabilitas tertinggi untuk mengandung kehidupan pada skala apapun.
Tim SETI Institute NASA Astrobiology Institute (NAI) yang dipimpin oleh Rhodes menggunakan Salar de Pajonales sebagai analogi Mars. Pajonales adalah danau garam kering dengan ketinggian tinggi (3.541 m), paparan sinar U/V yang tinggi, dan sangat kering, dianggap tidak ramah bagi banyak bentuk kehidupan tetapi masih dapat dihuni.
Selama kampanye lapangan proyek NAI, tim mengumpulkan lebih dari 7.765 gambar dan 1.154 sampel serta menguji instrumen untuk mendeteksi mikroba fotosintetik yang hidup di dalam kubah garam, batu, dan kristal alabaster. Mikroba ini mengeluarkan pigmen yang merupakan salah satu biosignature yang mungkin terdapat pada Tangga Deteksi Kehidupan NASA.
Di Pajonales, citra drone terhubung ke data simulasi orbit (HiRISE) untuk pengambilan sampel tanah dan pemetaan topografi 3D untuk mengekstraksi pola spasial. Temuan penelitian ini mengkonfirmasi (secara statistik) bahwa kehidupan mikroba di situs analog terestrial Pajonales tidak didistribusikan secara acak, tetapi terkonsentrasi dalam area-area hotspot biologis yang terhubung erat dengan ketersediaan air pada skala kilometer hingga sentimeter.
Tim tersebut kemudian melatih convolutional neural networks (CNN) untuk mengenali dan memprediksi fitur geologis makro-skala di Pajonales — beberapa di antaranya, seperti tanah berpola atau jaringan poligonal, juga ditemukan di Mars — dan substrat mikro-skala (atau ‘micro-habitat’) yang paling mungkin mengandung biosignature. Seperti tim Perseverance di Mars, para peneliti menguji bagaimana cara yang efektif untuk mengintegrasikan UAV/drone dengan rover, bor, dan instrumen berbasis tanah (misalnya, VISIR di ‘MastCam-Z’ dan Raman di ‘SuperCam’ pada rover Perseverance Mars 2020).
Tim lainnya menguji kemampuan convolutional neural networks untuk memprediksi lokasi dan distribusi fosil
Susunan convolutional neural networks. Sumber: Saily Shah
Tim peneliti berikutnya di Pajonales bertujuan untuk menguji kemampuan CNN untuk memprediksi lokasi dan distribusi fosil stromatolit kuno dan mikrobioma halit dengan program pembelajaran mesin yang sama untuk mempelajari apakah aturan dan model serupa berlaku untuk sistem alami lain yang serupa namun sedikit berbeda. Dari sana, ekosistem yang benar-benar baru, seperti mata air panas, tanah permafrost, dan batuan di Lembah Kering, akan dijelajahi dan dipetakan. Seiring bertambahnya bukti, hipotesis tentang konvergensi cara hidup organisme di lingkungan ekstrim akan diuji secara iteratif, dan cetak biru probabilitas biosignature untuk analog ekosistem dan bioma kunci Bumi akan diinventarisasi.
“Meskipun tingkat deteksi biosignature yang tinggi adalah hasil utama dari penelitian ini, tidak kurang pentingnya adalah bahwa penelitian ini berhasil mengintegrasikan dataset dengan resolusi yang sangat berbeda dari orbit hingga ke tanah, dan akhirnya menghubungkan data orbit regional dengan habitat mikroba,” kata Nathalie A. Cabrol, PI dari tim SETI Institute NAI. “Dengan itu, tim kami telah menunjukkan cara untuk beralih dari skala dan resolusi yang diperlukan untuk mengkarakterisasi keberadaan ke skala dan resolusi yang dapat membantu kami menemukan kehidupan. Dalam strategi itu, drone sangat penting, tetapi demikian pula dengan implementasi investigasi lapangan ekologi mikroba yang memerlukan periode yang diperpanjang (hingga berminggu-minggu) dalam pemetaan in situ (dan di tempat) di area kecil, strategi yang sangat penting untuk mengkarakterisasi pola lingkungan lokal yang mendukung niches kehidupan.”
Kesimpulan
Studi ini yang dipimpin oleh tim NAI SETI Institute telah membuka jalan bagi pembelajaran mesin untuk membantu para ilmuwan dalam mencari biosignature di alam semesta. Makalah mereka “Orbit-to-Ground Framework to Decode and Predict Biosignature Patterns in Terrestrial Analogues” adalah hasil dari lima tahun proyek NAI yang didanai oleh NASA, dan merupakan kerja sama penelitian astrobiologi dengan lebih dari 50 anggota tim dari 17 institusi.
Referensi
ScienceDaily, https://www.sciencedaily.com/releases/2023/03/230306143342.htm Diakses pada 13 Maret, 2023.
Kimberley Warren-Rhodes, Nathalie A. Cabrol, Michael Phillips, Cinthya Tebes-Cayo, Freddie Kalaitzis, Diego Ayma, Cecilia Demergasso, Guillermo Chong-Diaz, Kevin Lee, Nancy Hinman, Kevin L. Rhodes, Linda Ng Boyle, Janice L. Bishop, Michael H. Hofmann, Neil Hutchinson, Camila Javiera, Jeffrey Moersch, Claire Mondro, Nora Nofke, Victor Parro, Connie Rodriguez, Pablo Sobron, Philippe Sarazzin, David Wettergreen, Kris Zacny. Orbit-to-ground framework to decode and predict biosignature patterns in terrestrial analogues. Nature Astronomy, 2023; DOI: 10.1038/s41550-022-01882-x
Space, https://www.space.ox.ac.uk/news/can-artificial-intelligence-help-find-life-on-mars-or-icy-worlds Diakses pada 13 Maret, 2023.
Wikipedia, https://en.wikipedia.org/wiki/Life_on_Mars Diakses pada 13 Maret, 2023.