Astronomen nehmen die Hilfe von Maschinen in Anspruch, um tausende Sterne in unserer Galaxie zu sichten und etwas über ihre Größen, Zusammensetzungen und andere grundlegende Eigenschaften zu erfahren. Die Forschung gehört zum wachsenden Feld des maschinellen Lernens, bei dem Computer große Datenmengen analysieren und Muster finden, die Menschen sonst möglicherweise nicht erkennen würden. Maschinelles Lernen ist überall präsent, angefangen bei Mediastreaming-Diensten, die vorhersagen, was man anschauen möchte, bis hin zur Postfiliale, wo Computer automatisch handschriftliche Adressen lesen und die Post den korrekten Postleitzahlen zuordnen.
Jetzt wenden sich Astronomen Maschinen zu, damit sie ihnen helfen, grundlegende Eigenschaften von Sternen zu bestimmen, basierend auf Bildern von Himmelsdurchmusterungen. Normalerweise verlangen diese Eigenschaften ein Spektrum – eine umfassende Aufspaltung des Sternlichts in seine unterschiedlichen Wellenlängen. Aber mit maschinellem Lernen können Computeralgorithmen verfügbare Aufnahmen rasch analysieren und Muster identifizieren, welche die Eigenschaften eines Sterns offenbaren. Die Technik hat das Potenzial, in relativ kurzer Zeit und mit weniger Aufwand Informationen über Milliarden Sterne zu sammeln.
“Es ist wie ein Videostreaming-Dienst, der nicht nur vorhersagt, was du in der Zukunft anschauen willst, sondern auch dein aktuelles Alter, basierend auf deinen bevorzugten Sendungen”, sagte Adam Miller vom Jet Propulsion Laboratory der NASA in Pasadena (Kalifornien). Er ist der leitende Autor einer neuen Abhandlung über die Ergebnisse, die im Astrophysical Journal erscheint. “Wir sagen grundlegende Eigenschaften der Sterne voraus.” Miller präsentierte die Ergebnisse am 9. Januar 2015 auf dem Jahrestreffen der American Astronomical Society in Seattle.
Maschinelles Lernen wurde bereits früher schon auf den Kosmos angewandt. Was dieses neueste Vorhaben einzigartig macht, ist die Tatsache, dass es das erste ist, welches bestimmte Eigenschaften von Sternen (beispielsweise die Größe und den Metallgehalt) vorhersagt, indem Bilder dieser Sterne verwendet werden, die im Verlauf der Zeit gemacht wurden. Diese Merkmale sind entscheidend, um in Erfahrung zu bringen, wann ein Stern geboren wurde und wie er sich seitdem verändert hat. “Mit mehr Informationen über die verschiedenen Sterntypen in unserer Milchstraßen-Galaxie können wie die Struktur und Vergangenheit unserer Galaxie besser nachvollziehen”, sagte Miller.
Jede Nacht machen Teleskope auf der ganzen Welt tausende Aufnahmen vom Himmel. Die Flut neuer Daten wird mit kommenden Weitfelddurchmusterungen wie der des Large Synoptic Survey Telecope (LSST) erwartungsgemäß noch ansteigen. Das LSST ist ein Projekt der National Science Foundation und des US-Energieministeriums, das seinen Standort in Chile haben wird. Das Projekt wird den gesamten sichtbaren Himmel alle paar Nächte fotografieren und Daten über Milliarden Sterne sammeln, darunter auch zeitabhängige Helligkeitsveränderungen von einigen dieser Sterne. Die Kepler-Mission der NASA hat bereits ähnliche zeitabhängige Daten über hunderttausende Sterne gesammelt.
Für Menschen allein ist es nicht leicht, aus all diesen Daten schlau zu werden. Hier können Maschinen helfen, oder in diesem Fall Computer, die spezialisierte Algorithmen nutzen. Aber bevor die Maschinen lernen können, brauchen sie eine “Trainingsperiode”. Miller und seine Kollegen begannen mit 9.000 Sternen als Trainingsdatensatz. Sie erhielten Spektren für diese Sterne, die einige ihrer grundlegenden Eigenschaften enthüllten: Größen, Temperaturen und die Menge schwerer Elemente wie etwa Eisen. Die variable Helligkeit der Sterne wurde außerdem vom Sloan Digital Sky Survey aufgezeichnet, der sogenannte Lichtkurven produziert. Durch Eingabe beider Datensätze in die Computer können sie dann Beziehungen zwischen den Eigenschaften der Sterne und den Lichtkurven herstellen.
Als die Trainingsphase beendet war, konnte der Computer selbst Vorhersagen über andere Sterne treffen, indem er nur ihre Lichtkurven analysierte. “Wir können neue Sterntypen entdecken und klassifizieren, ohne Spektren zu benötigen, die kostenintensiv und zeitaufwändig sind”, sagte Miller.
Die Technik funktioniert im Prinzip ähnlich wie ein Email-Spamfilter. Die Spamfilter werden programmiert, um Schlüsselwörter zu erkennen, die mit Junkmails in Zusammenhang gebracht werden, und die unerwünschten Emails mit diesen Wörtern dann zu entfernen. Mit der Zeit “lehrt” ein Nutzer dem Filterprogramm weitere Schlüsselwörter, und das Programm wird besser beim Herausfiltern des Spams. Das von Miller und seinen Mitarbeitern genutzte Programm wird mit weiterem Training durch die Astronomen ebenfalls besser darin, die Eigenschaften der Sterne genauer vorherzusagen.
Das nächste Ziel des Teams ist es, ihre Computer clever genug werden zu lassen, damit sie mit den mehr als 50 Millionen veränderlichen Sternen zurechtkommen, die das LSST-Projekt beobachten wird. “Das ist eine aufregende Zeit für die Anwendung fortgeschrittener Algorithmen auf die Astronomie”, sagte Miller. “Maschinelles Lernen erlaubt uns, in den umfangreichen Datensätzen, die Astronomen jetzt zu sammeln beginnen, nach seltenen und verborgenen Juwelen zu suchen.”
Das California Institute of Technology betreibt das Jet Propulsion Laboratory für die NASA.
Quelle: http://www.nasa.gov/jpl/machines-teach-astronomers-about-stars/index.html
(THK)
Antworten