Wissenschaftler aus Oxford und Google machen Gemini AI mit nur 15 Trainingsbildern zu einem „Experten” in Astronomie

Astronomen verbringen unzählige Stunden damit, große Datenmengen zu sichten, um festzustellen, ob ein von einem Teleskop aufgezeichnetes Ereignis echt oder ein Artefakt war. In einer bedeutenden Entwicklung könnte ein reguläres KI-Modell diese Aufgabe mit hoher Genauigkeit übernehmen.

Astronomie
KI könnte bei astronomischen Ereignissen am Nachthimmel helfen.
Ameya Paleja
Ameya Paleja Meteored Vereinigtes Königreich 4 min

Wissenschaftler der Universität Oxford und von Google haben die Gemini-KI von Google zu einem erfahrenen Astronomen gemacht, der den Nachthimmel scannen und Schwarze Löcher und Supernovae mit einer Genauigkeit von 93 Prozent erkennen kann. Überraschenderweise wurden diesem „KI-Astronomen” für sein Training lediglich 15 Bilder und eine Reihe von Anweisungen zur Verfügung gestellt.

Echte Ereignisse im Rauschen erkennen

Moderne Teleskope scannen ständig den Nachthimmel nach astronomischen Ereignissen. Spezielle Modelle des maschinellen Lernens werden verwendet, um echte Ereignisse von anderen Signalen zu filtern, die lediglich Störsignale sind, die entweder durch Instrumentenartefakte, Satellitenspuren oder kosmische Strahlung verursacht werden.

Diese Modelle funktionieren jedoch ähnlich wie „Black Boxes“ und kennzeichnen Ereignisse ohne weitere Erläuterungen als „echt“ oder „falsch“. Wissenschaftler müssen diese entweder ungeprüft akzeptieren oder stundenlang alle Ereignisse manuell überprüfen.

Forscher bei Google Cloud und der Universität Oxford fragten sich, ob universell einsetzbare, multimodale künstliche Intelligenz (KI) wie Gemini zur Lösung dieses Problems eingesetzt werden könnte.

Mit 15 Bildern trainiert

Die Forscher verwendeten eine Reihe von 15 gekennzeichneten Beispielen aus drei großen Himmelsdurchmusterungen als Trainingsdatensatz für ihre Arbeit. Jedes Beispiel enthielt ein kleines Bild der neuen Warnmeldung, ein Referenzbild desselben Himmelsausschnitts und den Unterschied zwischen den beiden Bildern. Eine kurze Notiz erklärte außerdem, was die Veränderung bedeutete.

Nach dem Training wurde Gemini AI gebeten, Tausende neuer Warnmeldungen zu klassifizieren, sie als echt oder falsch zu kennzeichnen und eine Prioritätsbewertung sowie eine Begründung für seine Entscheidung anzugeben. Ein Team aus 12 Astronomen überprüfte diese Ergebnisse und befand sie für schlüssig und nützlich.

Die Forscher baten Gemini außerdem, seine Ergebnisse zu überprüfen und einen Kohärenzwert dafür anzugeben. Es zeigte sich, dass Ergebnisse mit niedrigem Kohärenzwert weniger genau waren. Die Forscher nutzten diese Werte, um die Aufmerksamkeit der Menschen auf diese Aufrufe zu lenken, sodass sich die Astronomen auf die Bereiche konzentrieren konnten, in denen der größte Handlungsbedarf bestand, und verbesserten die Leistung des Systems auf eine Genauigkeit von 96,7 Prozent.
Wie Gemini AI ein Experte in Astronomie werden könnte
Beispiele für Eingangs-Transientenbilder (Neu, Referenz und Differenz) mit den entsprechenden Klassifizierungsergebnissen von Gemini, detaillierten Erläuterungen und Interessensbewertungen. Quelle: Stoppa & Bulmus et al., Nature Astronomy (2025).

Dies könnte zur Entwicklung von KI-Assistenten führen, die den Großteil der Arbeitslast übernehmen könnten und Menschen nur dann einbeziehen müssten, wenn vielversprechende Entdeckungen gemeldet werden. Da die Trainingsdatensätze klein sind, können diese Systeme schnell und problemlos an neuere Instrumente und Himmelsdurchmusterungen angepasst werden, die in Zukunft entwickelt werden.

„Wir treten in eine Ära ein, in der wissenschaftliche Entdeckungen nicht durch Black-Box-Algorithmen, sondern durch transparente KI-Partner beschleunigt werden“, sagte Turan Bulmus, Co-Autor von Google Cloud. „Diese Arbeit zeigt einen Weg zu Systemen, die mit uns lernen, ihre Überlegungen erklären und Forschern in allen Bereichen ermöglichen, sich auf das Wesentliche zu konzentrieren: die nächste große Frage zu stellen.“

Quellenhinweis:

Stoppa, F., Bulmus, T., Bloemen, S. et al. Textual interpretation of transient image classifications from large language models. Nat Astron (2025). https://doi.org/10.1038/s41550-025-02670-z