Además de ser un tema recurrente en la cultura popular y en la filosofía desde tiempos antiguos, la idea de la existencia de vida extraterrestre también fue y es de interés para la comunidad científica, cuya persistente búsqueda quiere ayudar a comprender mejor el universo y nuestro lugar en él, cómo se forma y evoluciona la vida en el universo, y si estas otras formas de vida son diferentes o similares a la que conocemos en la Tierra.

Al reflexionar sobre la probabilidad de descubrir vida extraterrestre tecnológicamente avanzada, una de las preguntas que surge con frecuencia es: "si están ahí, ¿por qué no los encontramos todavía?". Algunas explicaciones tienen que ver con que el universo es muy grande y la mayoría de los planetas y estrellas aún no se han explorado, que la tecnología para detectar y estudiar planetas y buscar signos de vida aún es limitada, o bien que la vida extraterrestre quizás es muy diferente a la que conocemos y por lo tanto, difícil de detectar.

Pero esto no detiene a las y los científicos, a las agencias espaciales y a las organizaciones de invertir en investigaciones y misiones para explorar el espacio y buscar evidencia de vida fuera de nuestro planeta. Ahora, en un nuevo trabajo publicado en la revista Nature Astronomy, investigadores aplicaron una técnica de deep learning o aprendizaje profundo a datos previamente estudiado de estrellas cercanas y descubrieron algunas señales de interés que antes no habían sido identificadas.

La búsqueda de inteligencia extraterrestre (también Search for extraterrestrial intelligence o SETI) es un esfuerzo por encontrar señales que podrían provenir de una civilización tecnológicamente avanzada en un sistema solar lejano. Ejemplos de esto pueden ser las firmas tecnológicas (signos de tecnología avanzada creados por civilizaciones extraterrestres), ciertas características únicas en la composición química de un planeta o satélite que sugieran procesos biológicos o geológicos complejos, las biofirmas (moléculas orgánicas que pueden indicar la presencia de vida), o las señales gravitacionales (ondas gravitacionales generadas por objetos masivos).

Pero una de las más comúnmente utilizadas suelen ser las señales de radio, ondas electromagnéticas de frecuencias muy bajas a muy altas que se utilizan para transmitir información a través del aire o del espacio. Estas señales se utilizan en una variedad de aplicaciones, como la radio y la televisión, la comunicación móvil, la navegación por satélite y la transmisión de datos. Para el caso de la búsqueda de vida extraterrestre son ideales porque: pueden viajar grandes distancias, lo que les permite ser detectadas a partir de planetas y sistemas estelares muy alejados; son una forma eficiente de transmitir información, lo que significa que una señal de radio débil puede transmitir mucha información; y son distintas de otros tipos de radiación electromagnética, lo que las hace más fáciles de identificar.

Este tipo de señales fue el foco de la investigación mencionada anteriormente, dirigida por un estudiante de pregrado de la Universidad de Toronto, Peter Ma, junto con investigadores del Instituto SETI, del proyecto Breakthrough Listen y de otras instituciones de investigación científica de todo el mundo. Sin embargo, el problema relativamente nuevo con el que se encontraron es el de tener que analizar una enorme cantidad de datos. ¿Por qué? En 2015, el multimillonario Yuri Milner financió el programa SETI más grande jamás realizado: mientras que trabajos anteriores se habían limitado a apuntar el radiotelescopio a una pequeña cantidad de estrellas, el llamado proyecto Breakthrough Listen buscó señales de vida inteligente en un millón de estrellas. Un millón de estrellas generan, como es de esperar, millones de emisiones de radio, incluidos falsos positivos producidos por la interferencia terrestre de teléfonos móviles, GPS y otras cosas de la vida moderna.

Y revisar millones de observaciones manualmente no es nada práctico. Acá es cuando entra un enfoque alternativo: la inteligencia artificial. Una técnica de esta categoría es el deep learning o aprendizaje profundo, es decir, algoritmos de redes neuronales artificiales profundas que se entrenan con grandes cantidades de datos y pueden aprender a reconocer características de la interferencia terrestre para, de este manera, filtrar el ruido. El aprendizaje profundo también es bueno para detectar señales extraterrestres candidatas que no entran en las categorías convencionales.

Teniendo en cuenta lo anterior, el equipo de Peter Ma analizó las observaciones de 820 estrellas realizadas con el Telescopio Robert C. Byrd de Green Bank (foto) ubicado en Estados Unidos y construyó un software de aprendizaje profundo para analizar los datos. Esto generó casi tres millones de señales de interés, pero la mayoría fueron descartadas como interferencia de la Tierra. Luego, Ma revisó manualmente más de 20.000 señales y las redujo a ocho intrigantes candidatos. La búsqueda finalmente resultó vacía: las ocho señales desaparecieron cuando el equipo escuchó nuevamente.

A pesar del decepcionante desenlace, semejante despliegue de esfuerzo y dedicación abrió las puertas a algo más: la posibilidad de aplicar métodos modernos para procesar y analizar un volumen masivo de datos, de identificar de manera más práctica y eficiente anomalías que podrían ser evidencia de inteligencia extraterrestre, y de estar a la altura de los avances tecnológicos que facilitaron recopilar más información que nunca. Entonces, ¿estamos solos? La pregunta sigue abierta, pero no sabemos hasta cuándo.