利茅斯大學機器人與神經系統研究中心的研究員Christopher Bishop在一份聲明中說：“我們目前對這些ANNs感興趣，因為它們可能實現一種能夠在一定范圍內掃描一個系外行星的假想的、智能的星際飛船?！彼a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據遠距離地傳回地球。這種技術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在的地球、早期地球、火星、金星以及土星的最大衛星Titan的相似程度，普利茅斯團隊訓練他們的神經網絡將行星歸類于這五個不同的類別之一。

這些星球是相似的，它們皆為巖質行星，空中有大氣層，盡管它們的組成成分多有不同。根據新的證據，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星Titan的紅外圖像。測量結果表明，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?！獡﨨ASA/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。作為機器學習中最常用的工具之一，當涉及到對大數據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，一個能夠對大量行星的可居住性進行預測的ANN可以節省科學家的時間，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據：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已經用了上百種不同的光譜分布圖對這個網絡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，這些參數都是用于衡量星球的可居住性。到目前為止，網絡在一個以往從未見過的測試光譜分布圖上表現良好。

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”的分類結果，它是通過對輸入數據與五個太陽系的星球的相似度進行測量得到的。輸入數據通過網絡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?！狟ishop/利茅斯大學

項目主管Angelo Cangelosi在聲明中說：“鑒于迄今為止的結果，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，他們的技術可以大展拳腳。