虚空低语：AI搜寻地外文明的射电信号分类系统

本文介绍受SETI启发的机器学习管道“虚空低语”（Whispers of the Void），其核心目标是利用AI技术自动区分地球射频干扰（RFI）与潜在的地外技术信号，解决SETI研究中信号筛选的核心挑战，推动地外智慧生命搜寻的新篇章。该系统结合射电天文学与深度学习，通过人机协作模式提升信号筛查效率。

自古以来人类追问宇宙孤独性，20世纪射电天文学为SETI提供工具。射电望远镜可捕捉宇宙微弱电磁信号，但90%以上为地球干扰（卫星通信、雷达、广播等），如何从海量数据中筛选地外信号是SETI核心难题。

“虚空低语”系统聚焦两类信号分类：

• 技术信号：窄带载波、调制模式、多普勒漂移、空间定位一致性；
• RFI：持续性干扰、脉冲式干扰、漂移信号、宽带干扰，占观测时间超90%。

数据预处理与特征工程

原始动态谱图经归一化、去噪、分割，提取带宽、持续时间、漂移率等特征。

深度学习模型

采用CNN或CNN+LSTM混合架构：CNN学习时频图像特征，LSTM捕捉时间序列动态；输入预处理数据，输出信号分类概率。

训练数据

使用真实射电观测数据，专业标注（RFI/候选信号、子类别、可信度），通过数据增强（平移、偏移、缩放）提升泛化能力。

实时数据流处理

1.缓冲切片→2.候选信号检测→3.特征提取→4.分类推理→5.后处理筛选→6.告警记录。

人机协作

AI预筛候选信号，天文学家人工复核；通过初步筛选的信号触发多望远镜联合观测，验证可重复性与空间定位。

• 类别不平衡：RFI与候选信号比例达数百万比一，采用重采样、代价敏感学习、异常检测、集成方法解决；
• 开放集识别：需识别未知信号类型；
• 可解释性：用注意力机制可视化、SHAP值分析揭示模型决策依据。

科学意义

• 理解技术文明宇宙分布；
• 推动数据驱动的科学发现模式；
• 延伸人类好奇心边界。

未来展望

• 整合光学、红外、引力波的多波段多信使分析；
• 全球望远镜网络即时验证；
• 结合公民科学平台扩大搜索规模。