Künstliche Intelligenz erkennt Anomalien in den vom Hubble-Weltraumteleskop gesammelten Daten
Ein Modell künstlicher Intelligenz wurde darauf trainiert, Anomalien in Teleskopdaten zu erkennen, und die Beobachtungen des Hubble-Teleskops enthüllten etwas noch nie Dagewesenes: Sie deckten ungewöhnliche Signale auf, die zuvor unbemerkt geblieben waren, und eröffneten neue Möglichkeiten für wissenschaftliche Entdeckungen.
In den letzten Jahrzehnten hat die Astronomie einen Wandel erlebt, der durch Fortschritte bei Instrumenten, Sensoren und Rechenkapazitäten vorangetrieben wurde. Boden- und Weltraumteleskope haben begonnen, tiefgehende multispektrale Untersuchungen durchzuführen, die riesige Datenmengen generiert haben. Beobachtungen über verschiedene Wellenlängen hinweg, umfangreiche Zeitreihen und Kataloge mit Milliarden von Quellen sind in diesem Bereich immer häufiger geworden.
Der Nachteil ist, dass dieses exponentielle Datenwachstum eine manuelle Analyse unmöglich gemacht und die Nützlichkeit traditioneller Methoden eingeschränkt hat. Selbst zuvor automatisierte Techniken haben Schwierigkeiten, mit hoher Dimensionalität, komplexem Rauschen und ungewöhnlichen Phänomenen umzugehen. Infolgedessen sind Techniken der künstlichen Intelligenz, insbesondere maschinelles Lernen, für die Extraktion von Mustern, die Klassifizierung von Objekten, die Erkennung vorübergehender Ereignisse und die Erforschung riesiger astronomischer Datenbanken unverzichtbar geworden.
Ein aktuelles Beispiel ist die Entwicklung eines KI-Modells zur Erkennung von Anomalien in Beobachtungsdaten. Dieses Modell kann Signale identifizieren, die vom erwarteten Verhalten abweichen. Astronomen wandten es auf Daten des Hubble-Weltraumteleskops an und konnten so beispiellose Phänomene entdecken, die bei herkömmlichen manuellen Analysen übersehen worden waren. Dieser Ansatz zeigt, wie KI zur Dateninterpretation und zu wissenschaftlichen Durchbrüchen beiträgt.
Revolution in der Astronomie
Zu Beginn des letzten Jahrhunderts war das Hauptproblem der Astronomie ein Mangel an Daten, der eine eingehende Analyse verhinderte. In den letzten Jahrzehnten hat sich die Situation jedoch umgekehrt und das Gegenteil ist eingetreten, da die Astronomie mittlerweile so viele Daten produziert, dass eine manuelle Analyse unmöglich geworden ist. Diese Veränderung wurde durch technologische Fortschritte bei Detektoren, Teleskopen und der Recheninfrastruktur vorangetrieben.
Mit der Zunahme sowohl der Menge als auch der Komplexität dieser Datensätze reichen traditionelle Methoden nicht mehr aus, um aussagekräftige Informationen zu extrahieren. Die Notwendigkeit, Muster, seltene Ereignisse und nichtlineare Korrelationen zu identifizieren, hat die Nachfrage nach Techniken der künstlichen Intelligenz und des maschinellen Lernens erhöht. Diese Ansätze ermöglichen es, riesige Datensätze mit größerer Genauigkeit zu analysieren, sind dabei aber auch automatisiert und skalierbar.
Anomalie-Übereinstimmung
Ein neues Modell künstlicher Intelligenz wurde entwickelt, um das gesamte Archiv des Hubble-Weltraumteleskops nach Anomalien zu durchsuchen. Das Modell wurde in einer Studie vorgestellt, die in der Fachzeitschrift Astronomy & Astrophysics veröffentlicht wurde, und erhielt den Namen AnomalyMatch. Es wurde entwickelt, um seltene oder unerwartete Muster zu identifizieren, ohne sich auf vorherige Klassifizierungen zu stützen. Das Hubble-Archiv war ein ideales Ziel, da es kontinuierliche Beobachtungen aus mehreren Jahrzehnten enthält.
Das Modell wurde anhand von Beobachtungsdaten aus etwa 35 Jahren Hubble-Beobachtungen trainiert. Anstatt vollständige Bilder zu analysieren, wurde das neuronale Netzwerk mit fast 100 Millionen kleinen Bildfragmenten gefüttert, die jeweils nur wenige Pixel enthielten, sodass es subtile lokale Strukturen erfassen konnte. Diese Strategie reduzierte den Rechenaufwand und erhöhte gleichzeitig die Empfindlichkeit des Systems gegenüber statistischen Abweichungen von der dominanten Population astronomischer Objekte.
Entdeckungen mit KI
Als AnomalyMatch auf die Archive des Hubble-Teleskops angewendet wurde, identifizierten die Forscher in weniger als drei Tagen mehr als 1.000 Objekte, die als anomal eingestuft wurden. Ein Teil dieser Entdeckungen war zuvor in der wissenschaftlichen Literatur noch nicht dokumentiert worden. Dies bestätigte, dass selbst große archivierte Datensätze noch immer wenig erforschte Phänomene enthalten. Die meisten Anomalien standen im Zusammenhang mit energiereichen Ereignissen wie Galaxienverschmelzungen.
Neben galaktischen Verschmelzungen enthüllte das Modell seltene Objektklassen wie „Quallengalaxien”. Diese Galaxien sind nach ihren langen Gasschwänzen benannt, die Sterne, protoplanetare Scheiben und Gravitationslinsensysteme bilden. Einige Entdeckungen lassen sich nicht in bekannte Kategorien einordnen, was auf mögliche neue physikalische Zustände oder bisher unbekannte Evolutionsstadien hindeutet.
Vorteile
Der Einsatz von KI in der Astronomie bietet gegenüber herkömmlichen Methoden klare Vorteile, vor allem in Bezug auf Geschwindigkeit und Skalierbarkeit. Modelle des maschinellen Lernens können riesige Datenmengen in einem Zeitrahmen analysieren, der mit klassischen Ansätzen unmöglich wäre. Diese Modelle können auch komplexe Muster und nichtlineare Zusammenhänge erkennen, ohne dass explizite Regeln erforderlich sind.
Über die Geschwindigkeit hinaus macht die Flexibilität der KI sie für eine Vielzahl von astrophysikalischen Herausforderungen nützlich, von der Identifizierung potenziell bewohnbarer Exoplaneten bis hin zur Verfeinerung von Bildern von Schwarzen Löchern. Diese Methoden haben sich bereits als ergänzende Werkzeuge zur traditionellen Analyse bewährt. Es ist jedoch wichtig zu beachten, dass KI Wissenschaftler nicht ersetzt, sondern vielmehr als Werkzeug dient, um die Komplexität und den Umfang der modernen Astronomie zu bewältigen.
Quellenhinweis:
O'Ryan & Gómez 2026 Identifying astrophysical anomalies in 99.6 million source cutouts from the Hubble legacy archive using AnomalyMatch Astronomy & Astrophysics