利茅斯大學機器人與神經(jīng)系統(tǒng)研究中心的研究員Christopher Bishop在一份聲明中說：“我們目前對這些ANNs感興趣，因為它們可能實現(xiàn)一種能夠在一定范圍內(nèi)掃描一個系外行星的假想的、智能的星際飛船。”他補充說，“我們也在考慮使用大面積可部署的平面Fresnel天線，以便可以將星際探測器的數(shù)據(jù)遠距離地傳回地球。這種技術(shù)的應用對于未來的機器人宇宙飛船是必不可少的?！?/p>

基于待預測行星與現(xiàn)在的地球、早期地球、火星、金星以及土星的最大衛(wèi)星Titan的相似程度，普利茅斯團隊訓練他們的神經(jīng)網(wǎng)絡(luò)將行星歸類于這五個不同的類別之一。

這些星球是相似的，它們皆為巖質(zhì)行星，空中有大氣層，盡管它們的組成成分多有不同。根據(jù)新的證據(jù)，除了地球之外，火星和Titan是太陽系中尋找外星生命最有希望的兩個目標，而NASA的JPL空間科學研究的Kevin M.Gill說到：“土星的最大衛(wèi)星Titan是太陽系中最有可能蘊含外星生命的星球之一“。對于焦熱的金星而言，也具有孕育生命的一些可能的條件。

這是從NASA的卡西尼號飛船上拍攝的土星衛(wèi)星Titan的紅外圖像。測量結(jié)果表明，基于能量的可用性、星球表面情況和大氣特征等因素，Titan具有除地球以外的最高居住等級。——據(jù)NASA/JPL/亞利桑那大學/愛達荷大學報道

ANN是一種試圖模擬人類大腦學習方式的系統(tǒng)。作為機器學習中最常用的工具之一，當涉及到對大數(shù)據(jù)集進行復雜的模式識別時，它的效果很好，而這一過程對于人類科學家來說是既困難又費時。因此，一個能夠?qū)Υ罅啃行堑目删幼⌒赃M行預測的ANN可以節(jié)省科學家的時間，并幫助他們集中精力于最有前途的目標之上。

科學家們對ANN模型輸入了來自五類星球的大氣觀測數(shù)據(jù)：光譜值，由于目前已知的生命只存在于地球上，所以使用的是“生命概率”作為測量準則對它們進行分類。這個準則是基于這五類星球的大氣和軌道特性確定的。

Bishop已經(jīng)用了上百種不同的光譜分布圖對這個網(wǎng)絡(luò)進行了訓練來確定其孕育生命的能力，每一個光譜圖對應幾百個參數(shù)，這些參數(shù)都是用于衡量星球的可居住性。到目前為止，網(wǎng)絡(luò)在一個以往從未見過的測試光譜分布圖上表現(xiàn)良好。

ANN的輸入是來自測試行星的光譜值，輸出層是基于“生命概率”的分類結(jié)果，它是通過對輸入數(shù)據(jù)與五個太陽系的星球的相似度進行測量得到的。輸入數(shù)據(jù)通過網(wǎng)絡(luò)中一系列互連隱藏層進行特征映射后，能夠“學習”與光譜線對應的特定行星類型。——Bishop/利茅斯大學

項目主管Angelo Cangelosi在聲明中說：“鑒于迄今為止的結(jié)果，這種方法通過利用地球和近地天文臺對不同類型的外行星的分類結(jié)果，可能可以對不同類別的系外行星進行十分高效的分類。

研究人員希望，當NASA的詹姆斯韋伯太空望遠鏡和歐洲航天局的Ariel太空任務(wù)開始為潛在的宜居外行星提供更詳細的大氣觀測時，他們的技術(shù)可以大展拳腳。