60多年来，天文学家和天体物理学家一直致力于探索地外智慧SETI，这包括倾听其他恒星系统的技术活动迹象（或称“技术签名”），主要以无线电信号传输。第一次尝试是在1960年，即著名的SETI研究人员弗兰克·德雷克博士（德雷克方程之父）和他的同事使用了罗伯特·C望远镜。现在位于西弗吉尼亚州的伯德·格林班克望远镜将对陶塞蒂和艾普西隆·埃里达尼进行无线电调查。
从那时起，绝大多数SETI调查都在寻找窄带无线电信号，因为它们非常易于在星际空间传播。然而，最大的挑战始终是如何过滤掉地球上的无线电传输——也就是说，射频干扰（RFI）。在最近的一项研究中，某天体物理研究所领导的一个国际团队将一种新的深度学习算法应用于绿岸望远镜（GBT）收集的数据，该算法揭示了八个有希望的信号，这些信号将引起SETI倡议的兴趣，如突破倾听。
来自加州某大学、空间科学和天文学研究所、国际射电天文学研究中心、SETI研究所和突破计划的研究人员也加入了研究行列。这篇论文描述了他们的发现，“对820颗附近恒星的技术特征进行深度学习搜索”，最近发表在《自然天文学》上。
由于无线电波在星际空间传播得很好，窄带无线电信号仍然是最受欢迎技术标志。对于SETI研究人员来说，挑战一直是区分可能的传输、地面RFI和来自宇宙源的无线电波。为了进行研究，科学家们将Beta卷积变分自动编码器算法应用于GBT，结果是在480小时的空中观测中观察到的820个独特目标。
“在我们的观察中，有很多干扰。”新闻稿中说。“我们需要区分太空中令人兴奋的无线电信号和地球上无趣的无线电信号。”科学家们在新闻稿中说。“我们需要区分太空中令人兴奋的无线电信号和地球上无趣的无线电信号。”
科学家们希望通过简化对技术签名的搜索来加速SETI。根据科学家们的说法，该算法结合了机器学习的两种类型——有监督学习和无监督学习——他称之为“半无监督学习”。这种方法包括使用有监督的技术来指导和训练算法，以帮助其泛化（使用无监督的技术）并更容易地发现数据中的隐藏模式。
科学家们使用模拟信号训练了算法，以区分可能来自外星的潜在信号和人类产生的干扰。他们还将多种算法与各种机器学习应用程序进行了比较，比较了它们的准确率和误报率，并利用这些信息创建了成品。当将该算法应用于GBT数据时，他们从距离地球30至90光年的五颗恒星中发现了八个新的感兴趣的无线电信号，这些信号以前被忽略了。但对SETI团队来说，这些信号被认为是值得注意的，原因有两个。GBT突破倾听项目科学家史蒂夫·克罗夫特博士解释道：
“首先，当我们看星星时，它们会出现，而当我们看向更远的地方时，它们就会消失——这与通常存在的局部干扰相反。第二，信号的频率会随着时间的推移而变化，从而使它们看起来远离望远镜。这有点像是走过一条碎石路，发现一块石头卡在你的鞋底上，听起来非常合适，你知道这块石头，但是你看远方时看不到。”
当处理包含数百万个信号的数据集时，某些信号可能具有这两个特征，这纯属偶然。由于这个原因，研究人员还不确定他们观察到的信号代表了外星文明，尽管它们看起来与团队预期的一样。首先，当团队对同一颗恒星的GBT进行后续观察时，没有发现信号。在进行更多的观察并再次检测到信号之前，它们仍然是感兴趣的信号。