Ini dibandingkan dengan tidak lebih dari tingkat keberhasilan 10 persen yang dicapai dengan pencarian acak. Selain itu, program ini dapat mengurangi area yang dibutuhkan untuk pencarian sebanyak 97 persen, sehingga membantu para ilmuwan secara signifikan mempertajam perburuan mereka untuk jejak kimia kehidupan yang potensial, atau biosignatures.
"Kerangka kerja kami memungkinkan kami untuk menggabungkan kekuatan ekologi statistik dengan machine-learning paling keras di Bumi," kata Warren-Rhodes dalam sebuah pernyataan sebagaimana dikutip dari Space.com.
Alat machine learning seperti itu, kata para peneliti, dapat diterapkan pada misi planet robotik seperti penjelajah Ketekunan NASA, yang saat ini memburu jejak kehidupan di lantai Kawah Jezero Mars.
"Dengan model-model ini, kami dapat merancang roadmap dan algoritme yang dibuat khusus untuk memandu penjelajah ke tempat-tempat dengan kemungkinan tertinggi untuk menyimpan kehidupan masa lalu atau masa kini, tidak peduli seberapa tersembunyi atau langka," ujar Warren-Rhodes.