KI revolutioniert die Klassifizierung des Kosmos: Neuronales Netzwerk erfasst 27 Millionen Himmelsobjekte

KI läutet eine neue Ära der Kartierung des Universums ein

Seit Jahrhunderten blicken Astronomen in den Nachthimmel und versuchen, die Geheimnisse der Sterne, Galaxien und des gewaltigen kosmischen Netzes zu ergründen, das sie miteinander verbindet. Heute stellt die schiere Größe des Universums eine neue Herausforderung dar: Wie lassen sich Milliarden von Himmelsobjekten klassifizieren und verstehen, wenn herkömmliche Methoden kaum Schritt halten können? In einem bahnbrechenden Fortschritt hat ein Wissenschaftsteam der Yunnan-Observatorien in China ein Modell künstlicher Intelligenz (KI) entwickelt, das bereits mehr als 27 Millionen kosmische Objekte – Sterne, Galaxien und Quasare – in einem riesigen Himmelsareal klassifiziert hat. Diese Leistung markiert einen Wendepunkt in der Astronomie und verspricht, unsere Erforschung und unser Verständnis des Universums grundlegend zu verändern.

Warum die Klassifizierung des Kosmos so schwierig ist

Die moderne Astronomie erlebt derzeit eine regelrechte Datenexplosion. Leistungsstarke Teleskope und Himmelsdurchmusterungen wie der Sloan Digital Sky Survey (SDSS), der Kilo-Degree Survey (KiDS) und die Euclid-Mission der Europäischen Weltraumorganisation erfassen Bilder und Messwerte von Milliarden Objekten. Jede neue Durchmusterung fügt Terabytes an Daten hinzu und macht Galaxien in Milliarden Lichtjahren Entfernung, Supernovae und die komplexe Struktur des kosmischen Netzes sichtbar.

Traditionell stützen sich Astronomen auf die Spektroskopie: Sie analysieren das Licht eines Objekts, um dessen Zusammensetzung, Entfernung und Typ zu bestimmen. Die Spektroskopie ist präzise, aber langsam und ressourcenintensiv. Angesichts der inzwischen verfügbaren Datenmenge können Menschen mit manuellen oder auch halbautomatisierten Verfahren schlicht nicht mehr Schritt halten. Deshalb greifen Astronomen zunehmend auf photometrische Durchmusterungen zurück. Diese erfassen Bilder in verschiedenen Farben (Wellenlängen), liefern aber nicht die detaillierten Informationen eines Spektrums. Die photometrischen Daten sind zwar schneller verfügbar, können jedoch mehrdeutig sein: Entfernte Galaxien, Sterne und Quasare erscheinen oft als winzige, helle Punkte und lassen sich allein anhand ihrer Form nur schwer unterscheiden.

Die Grenzen menschlicher und herkömmlicher maschineller Klassifizierung

Zu den Versuchen, die Klassifizierung zu automatisieren, gehören klassische Algorithmen des maschinellen Lernens wie Entscheidungsbäume und Random Forests sowie in jüngerer Zeit neuronale Netze des Deep Learning. Diese Methoden erzielen beeindruckende Genauigkeiten, doch bleiben Herausforderungen bestehen – insbesondere bei lichtschwachen oder weit entfernten Objekten sowie in Regionen, die von kosmischem Staub verdeckt werden. Wie eine Studie der Universität La Serena in Chile ergab, können Modelle des maschinellen Lernens in schwierigen Gebieten wie der „Zone der Vermeidung“ an ihre Grenzen stoßen. Dort blockiert Staub einen großen Teil des sichtbaren Lichts, was zu hohen Fehlerraten führen kann, sofern die Modelle nicht mit vielfältigen Daten aus mehreren Wellenlängenbereichen trainiert wurden.

So funktioniert das chinesische KI-Modell

Das neue KI-Modell des Teams der Yunnan-Observatorien ist ein bedeutender Fortschritt. Anders als frühere Ansätze, die sich entweder auf das Erscheinungsbild (die Morphologie) oder die Farbe (die spektrale Energieverteilung, kurz SED) der Objekte stützten, verarbeitet dieses neuronale Netz beide Informationsarten gleichzeitig. Dank dieser Kombination kann die KI feine Unterschiede zwischen Sternen, Galaxien und Quasaren erkennen, die sonst möglicherweise übersehen würden.

Trainiert wurde das Modell mit spektroskopisch bestätigten Quellen aus der 17. Datenveröffentlichung des SDSS – einem Goldstandard für die astronomische Klassifizierung. Anschließend wurde es anhand von Bildern der KiDS-Durchmusterung getestet. Dabei konzentrierte man sich auf Objekte mit einer Helligkeit von mehr als r = 23 Magnituden und deckte rund 1.350 Quadratgrad des Himmels ab. Das Ergebnis: Mehr als 27 Millionen Objekte wurden mit bemerkenswerter Geschwindigkeit und Genauigkeit klassifiziert.

Validierung und Genauigkeit in mehreren Durchmusterungen

Um die Zuverlässigkeit sicherzustellen, überprüfte das Team sein Modell anhand von Daten aus weiteren großen Durchmusterungen. Bei der Anwendung auf 3,4 Millionen Quellen aus der Gaia-Mission – vor allem Sterne mit gut bekannten Bewegungen – identifizierte die KI 99,7 Prozent korrekt als Sterne. Eine ähnlich hohe Trefferquote wurde bei der Durchmusterung Galaxy And Mass Assembly (GAMA) erzielt: 99,7 Prozent der Galaxien und Quasare wurden korrekt klassifiziert. In einigen Fällen korrigierte die KI sogar frühere Fehler und ordnete Objekte neu ein, die in älteren Katalogen falsch bezeichnet worden waren.

Diese hohe Genauigkeit belegt die Robustheit des Modells und sein Potenzial, bestehende astronomische Datenbanken zu verbessern. Damit ist es ein wertvolles Werkzeug für die astronomische Gemeinschaft.

KI und der weltweite Wettlauf um die Kartierung des Universums

Der Durchbruch in China ist Teil eines größeren Trends: Astronomen weltweit arbeiten daran, KI-Werkzeuge zu entwickeln, die die Datenflut künftiger Teleskope bewältigen können. Die Euclid-Mission der Europäischen Weltraumorganisation hat beispielsweise bereits 26 Millionen Galaxien erfasst – und das auf einem Bruchteil der geplanten Durchmusterungsfläche. In den kommenden sechs Jahren soll Euclid mehr als 1,5 Milliarden Galaxien aufnehmen und täglich rund 100 Gigabyte an Daten zur Erde senden. Auch das im Bau befindliche Vera-C.-Rubin-Observatorium soll voraussichtlich Millionen neuer Supernovae und anderer kurzlebiger Himmelsereignisse entdecken. KI-Werkzeuge wie der Bright Transient Survey Bot (BTSbot) automatisieren bereits die Entdeckung und Klassifizierung von Supernovae in der Durchmusterung der Zwicky Transient Facility.

Bürgerwissenschaft und KI: eine starke Partnerschaft

Angesichts der Dimensionen dieser Herausforderung beziehen Astronomen auch die Öffentlichkeit ein. Projekte wie Galaxy Zoo und das neue „Galaxy Zoo: Euclid“ laden Freiwillige aus aller Welt dazu ein, bei der Klassifizierung von Galaxienformen zu helfen. Diese Bürgerwissenschaftler arbeiten mit KI-Algorithmen wie ZooBot zusammen: Die KI bearbeitet einfachere Fälle und leitet komplexere Bilder an Menschen weiter. Diese Zusammenarbeit beschleunigt nicht nur die Klassifizierung, sondern trägt auch dazu bei, die KI zu trainieren und zu verbessern – ein sich selbst verstärkender Entdeckungsprozess.

Sowohl das James-Webb-Weltraumteleskop der NASA als auch die Euclid-Mission setzen auf diesen hybriden Ansatz. Tausende Freiwillige und leistungsfähige KI arbeiten zusammen, um die größten und detailliertesten Kataloge der Galaxienmorphologie zu erstellen, die je zusammengestellt wurden.

Wie KI die Astronomie verändert

Der Einfluss der KI auf die Astronomie reicht weit über die Zeitersparnis hinaus. Indem sie große Mengen von Objekten schnell und präzise klassifiziert, ermöglicht KI Wissenschaftlern Folgendes:

• Seltene oder ungewöhnliche Objekte wie Ringgalaxien oder weit entfernte Quasare zu entdecken, die sonst möglicherweise übersehen würden.
• Die Struktur und Entwicklung von Galaxien im Laufe der kosmischen Zeit nachzuverfolgen und so Erkenntnisse darüber zu gewinnen, wie sich das Universum über Milliarden von Jahren verändert hat.
• Die Verteilung dunkler Materie und dunkler Energie zu kartieren, indem sie die Formen und Positionen von Galaxien sowie die Auswirkungen des Gravitationslinseneffekts analysiert.
• Die Genauigkeit und Vollständigkeit astronomischer Kataloge zu verbessern, frühere Fehler zu korrigieren und Lücken zu schließen.

So hat die jüngste Entdeckung von 30.000 seltenen Ringgalaxien durch die Kombination von KI und Bürgerwissenschaftlern im Projekt GALAXY CRUISE eine ausreichend große Stichprobe für aussagekräftige wissenschaftliche Analysen hervorgebracht. Sie liefert neue Erkenntnisse darüber, wie diese ungewöhnlichen Strukturen entstehen – häufig durch die Kollision von Spiralgalaxien.

Technische Neuerungen: multimodale und pixelgenaue Analysen

Zu den jüngsten Fortschritten beim Einsatz von KI in der Astronomie zählen multimodale Deep-Learning-Architekturen. Sie kombinieren Bilddaten mit tabellarischen Metadaten wie Helligkeit, Farbe und Rotverschiebung, um die Genauigkeit zu erhöhen. Studien zeigen, dass solche Modelle besser abschneiden als Verfahren, die nur eine Datenart verwenden: Sie erzielen eine höhere Präzision und Trefferquote und benötigen weniger Trainingsepochen. Einige Werkzeuge, etwa die an der University of California, Santa Cruz, entwickelte KI Morpheus, analysieren Bilder sogar Pixel für Pixel. Das ermöglicht eine detaillierte morphologische Klassifizierung und die Identifizierung komplexer Strukturen innerhalb von Galaxien.

Diese Innovationen sind unverzichtbar, denn die Durchmusterungen werden immer ehrgeiziger. Die Euclid-Mission soll beispielsweise die dreidimensionale Verteilung dunkler Materie kartieren, indem sie subtile Verzerrungen der Galaxienformen misst, die durch den Gravitationslinseneffekt entstehen – eine Aufgabe, die ohne fortschrittliche KI- und maschinelle Lernverfahren unmöglich wäre.

Grenzen und Herausforderungen der KI in der Astronomie

Trotz dieser Fortschritte ist KI kein Allheilmittel. Die Genauigkeit jedes Modells hängt stark von der Qualität und Vielfalt der Trainingsdaten ab. Modelle, die mit Daten einer bestimmten Durchmusterung trainiert wurden, funktionieren möglicherweise bei Daten anderer Instrumente oder Himmelsregionen weniger gut – insbesondere unter schwierigen Bedingungen wie in der Zone der Vermeidung. Wie jüngere Forschungsergebnisse zeigen, können Modelle des maschinellen Lernens Objekte in staubverdeckten Regionen oder mit ungewöhnlichen Eigenschaften nur schwer klassifizieren. Dabei übersehen oder identifizieren sie mitunter einen erheblichen Anteil der Objekte falsch.

Darüber hinaus können KI-Modelle Verzerrungen aus ihren Trainingsdaten übernehmen und dadurch seltene oder unerwartete Phänomene übersehen. Deshalb bleiben menschliches Fachwissen und Bürgerwissenschaft unverzichtbar – sowohl um KI-Ergebnisse zu überprüfen als auch um wirklich Neues zu entdecken.

Ausblick: intelligentere und anpassungsfähigere KI

Das Team der Yunnan-Observatorien und andere Forscher arbeiten nun daran, ihre Modelle so zu verbessern, dass sie auch mit noch lichtschwächeren Objekten zurechtkommen und sich an neue Durchmusterungen mit anderen Eigenschaften anpassen können. Dazu gehört, die Modelle mit vielfältigeren Datensätzen zu trainieren, Daten aus mehreren Wellenlängenbereichen einzubeziehen und Algorithmen zu entwickeln, die unsichere oder ungewöhnliche Fälle zur Überprüfung durch Menschen kennzeichnen.

Mit der Weiterentwicklung der KI wird ihre Zusammenarbeit mit Astronomen – ob beruflich oder als Amateur – entscheidend sein, um die Geheimnisse des Universums zu entschlüsseln.

Die größere Bedeutung: ein neues goldenes Zeitalter der Entdeckungen

Der Aufstieg der KI in der Astronomie ist nicht nur eine technische Errungenschaft, sondern steht für einen tiefgreifenden Wandel in der wissenschaftlichen Arbeit. Indem KI die mühsame Klassifizierungsarbeit automatisiert, gibt sie Astronomen mehr Zeit für Interpretation, Theorie und die Suche nach dem Unbekannten. Zugleich macht sie Entdeckungen für alle zugänglicher: Jeder, der über einen Internetzugang verfügt, kann zur Kartierung des Kosmos beitragen.

Da Missionen wie Euclid und James Webb sowie das Vera-C.-Rubin-Observatorium kurz davorstehen, beispiellose Datenmengen zu liefern, läutet die Kombination aus KI, maschinellem Lernen und Bürgerwissenschaft ein neues goldenes Zeitalter astronomischer Entdeckungen ein. Das Universum ist gewaltig und geheimnisvoll, doch mit diesen neuen Werkzeugen sind wir besser denn je gerüstet, seine Tiefen zu erforschen.

Zusammenfassung

• Ein chinesisches KI-Modell hat mehr als 27 Millionen Sterne, Galaxien und Quasare klassifiziert und damit einen großen Fortschritt bei der Analyse astronomischer Daten erzielt.
• Das Modell nutzt sowohl morphologische Merkmale als auch Eigenschaften der spektralen Energieverteilung und wurde anhand mehrerer Durchmusterungen validiert.
• KI ist unverzichtbar, um die enormen Datenmengen moderner Himmelsdurchmusterungen wie Euclid und des Vera-C.-Rubin-Observatoriums zu bewältigen.
• Bürgerwissenschaftliche Projekte wie Galaxy Zoo arbeiten mit KI zusammen, um komplexe oder mehrdeutige Objekte zu klassifizieren und so Geschwindigkeit und Genauigkeit zu verbessern.
• KI ermöglicht die Entdeckung seltener Objekte und die Korrektur früherer Katalogfehler, stößt in schwierigen Regionen und bei ungewöhnlichen Phänomenen aber weiterhin an Grenzen.
• Die Zukunft der Klassifizierung des Kosmos liegt in intelligenteren, anpassungsfähigeren KI-Modellen und in der fortgesetzten Zusammenarbeit zwischen Mensch und Maschine.