Maschinelles Lernen erhellt die Bühne unseres Himmels: neue Objekte in der kosmischen Masse aufspüren
Sterne entstehen durch die Fragmentierung und den Gravitationskollaps von Molekülwolken und bilden Himmelsobjekthaufen, die eine kosmische Verbindung haben. Dies wirft interessante Fragen auf: Wie ist die Masse in diesen Sternhaufen verteilt? Gibt es massereiche und massearme Sterne in gleicher Häufigkeit in diesen Sternhaufen? Und was ist mit den rätselhaften Braunen Zwergen, winzige kosmische Gebilden, die keine ausreichende Größe haben, um die Wasserstofffusion in ihren Kernen zu entfachen? Um diese kosmischen Rätsel zu entschlüsseln, ist die Zählung der Sterne innerhalb eines Sternhaufens entscheidend. Die zahlreichen Hintergrund- und Vordergrundsterne, die sich in den astronomischen Darstellungen dieser Sternhaufen verflechten, erschweren diese Bemühungen jedoch. Darüber hinaus können im Rahmen der Weltraummission Gaia, auch wenn sie sehr wertvoll ist, weder die schwächsten Mitglieder der Sternhaufen (Braune Zwerge) aufgespürt werden, noch kann ihre Erkennung sichtbaren Lichts den Staub durchdringen, der junge Sternhaufen umhüllt.
Herausforderungen mit maschinellem Lernen meistern
Hier setzt das EU-finanzierte Projekt COSMIC-DANCE an. „Die Messung der Bewegung der Sterne am Himmel ist kompliziert, denn ihre winzigen Bewegungen sind vergleichbar mit der Winkelgröße einer Münze auf dem Eiffelturm, wenn sie von New York aus betrachtet wird“, erklärt Projektkoordinator Herve Bouy. „Anstatt jahrzehntelang auf bodengestützte Kameras zu warten, um diese Bewegungen zu entdecken, haben wir uns entschieden, die Fülle der in astronomischen Archiven verfügbaren Bilder zu nutzen.“ Das Team nutzte von Anfang an maschinelles Lernen und stellte sich erfolgreich der gewaltigen Aufgabe, Zehntausende von astronomischen Bildern zu verarbeiten, die viele Terabytes an Rohdaten umfassen. Erschwerend kam hinzu, dass diese Bilder oft verschiedene Defekte aufwiesen, wie tote oder saturierte Pixel, Einfälle einer kosmischen Strahlung und Satellitenstreifen. Angesichts der schieren Größe des Datensatzes trainierte das Team ein Convolutional Neural Network (eine Art Modell der künstlichen Intelligenz, das auf das Erkennen und Verstehen visueller Muster spezialisiert ist), um unbeaufsichtigt Bildfehler zu erkennen. „Wir trainierten das Netzwerk darauf, nach Fehlern in astronomischen Bildern zu suchen und nicht auf gewöhnliche künstliche Aufgaben wie das Erkennen von Katzen oder Menschen im Internet.“ Infolgedessen identifizierte das Team erfolgreich alle problematischen Pixel oder Frames und extrahierte den maximalen Wert aus dem Datensatz. Die Messung der Bewegung der Sterne war nur die erste Herausforderung. „Nachdem wir die Bewegung, die Leuchtkraft und die Farben von mehreren zehn Millionen Sternen auf unseren Bildern gemessen hatten, mussten wir die wenigen tausend Mitglieder des Sternhaufens unter mehreren zehn Millionen nicht verwandter Sterne identifizieren. Wir entwickelten neue Methoden, die auf maschinellem Lernen und der Bayes‘schen Statistik basieren, um alle Mitglieder in unserem mehrdimensionalen Datensatz genau zu identifizieren“, fügt Bouy hinzu.
Geheimnisvolle Himmelskörper, die wie nomadische Wandernde umherziehen
Eines der spannendsten Ergebnisse des Projekts war die Entdeckung von 70 bis 170 frei schwebenden Planeten. Diese Objekte haben die Masse eines Planeten, sind aber nicht an einen Stern gebunden, sondern bewegen sich frei in der Galaxie. Ihre Existenz wurde Ende der 1990er Jahre durch indirekte Entdeckungen mittels Mikrolinsen bekannt, aber nur eine Handvoll wurde direkt abgebildet. Ihre genaue Anzahl in einem bestimmten Sternhaufen war ebenfalls weitgehend unbekannt. „Zum ersten Mal haben wir mit Sicherheit eine große Anzahl frei schwebender Planeten in einem Sternentstehungsgebiet identifiziert, was wichtige Auswirkungen auf die Theorien zur Sternentstehung, Planetenbildung und frühen Planetenentwicklung hat“, bemerkt Bouy.
Durch maschinelles Lernen gestützte Innovation besiegelt die Zukunft der Astronomie
„Wir entwickeln unsere Softwareinstrumente für unsere eigene Forschung und für jeden, der sie nutzen möchte, weiter (sie sind offen auf GitHub zugänglich)“, erklärt Bouy. „Im Weltraum gibt es zahlreiche Einfälle kosmischer Strahlen, und sie beeinträchtigen die Beobachtungen, die bei Weltraummissionen gemacht werden. MaxiMask, das KI-Werkzeug zur Erkennung von Fehlern in Bildern, kann effizient für derzeit laufende oder künftige Weltraummissionen wie die kürzlich gestartete europäische Euclid-Mission, beim Hubble-Weltraumteleskop oder bei dem James-Webb-Teleskop eingesetzt werden. Es wird auch für bodengestützte Untersuchungen von entscheidender Bedeutung sein, die durch die neuen Satellitenkonstellationen mit niedriger Umlaufbahn (z. B. Starlink) beeinträchtigt werden, die astronomische Beobachtungen erheblich stören“, schließt Bouy.
Schlüsselbegriffe
COSMIC-DANCE, maschinelles Lernen, Sternhaufen, astronomische Bilder, Gaia, Convolutional Neural Network, Bayes‘sche Statistik