Astronomen der Ohio State University haben einer neuen Studie zufolge etwa 116.000 neue veränderliche Sterne identifiziert. Diese Objekte wurden mit dem All-Sky Automated Survey for Supernovae (ASAS-SN) gefunden, einem Netzwerk aus 20 weltweit verteilten Teleskopen, die den gesamten Himmel rund 50.000 Mal tiefer beobachten können als das menschliche Auge. Die Forscher der Ohio State University haben das Projekt fast ein Jahrzehnt lang betrieben.
In einer auf dem Open-Access Preprint Server arXiv veröffentlichten Studie beschreiben die Wissenschaftler, wie sie Techniken des maschinellen Lernens verwendeten, um veränderliche Sterne zu identifizieren und zu klassifizieren. Veränderliche Sterne sind Objekte, deren Helligkeit im Lauf der Zeit zu- und abnimmt – insbesondere von unserer Perspektive auf der Erde aus betrachtet.
Die Veränderungen, die diese Sterne durchlaufen, können wichtige Informationen über ihre Masse, ihren Radius, ihre Temperatur und sogar ihre Zusammensetzung liefern. Tatsächlich wird sogar unsere Sonne als veränderlicher Stern in Betracht gezogen. Himmelsdurchmusterungsprogramme wie ASAS-SN seien ein besonders wichtiges Werkzeug zum Auffinden von Systemen, die die Komplexität der stellaren Prozesse offenbaren können, sagte Collin Christy, der Hauptautor der Studie und Mitglied des ASAS-SN-Teams an der Ohio State University.
“Veränderliche Sterne sind wie ein stellares Labor”, sagte er. “Es sind wirklich tolle Orte im Universum, wo wir untersuchen und mehr darüber erfahren können, wie Sterne funktionieren und welche Feinheiten sie aufweisen.”
Aber um mehr dieser Objekte zu lokalisieren, musste das Team zunächst bislang ungenutzte Daten des Projekts einbringen. ASAS-SN beobachtete den Himmel jahrelang mit V-Band-Filtern – das sind optische Komponenten, die nur Sterne identifizieren können, deren Licht in das mit dem bloßen Auge sichtbare Farbspektrum fällt. Aber im Jahr 2018 wechselte das Projekt auf G-Band-Filter, die mehr bläuliche Farbtöne registrieren können. Und das Netzwerk selbst war nun imstande, 100 Millionen Sterne statt nur 60 Millionen zu beobachten.
Aber im Gegensatz zur ASAS-SN-Bürgerwissenschaftskampagne, die sich auf Freiwillige stützt, um astronomische Daten zu sichten und zu klassifizieren, erforderte Christys Studie die Hilfe einer künstlichen Intelligenz.
“Wenn man Millionen Sterne betrachten will, ist es für ein paar Menschen unmöglich, das selbst zu tun. Es würde ewig dauern”, sagte Tharindu Jayasinghe, Co-Autor der Studie, Doktorand der Astronomie und Stipendiat an der Ohio State University. “Daher mussten wir etwas Kreatives wie maschinelles Lernen einbringen.”
Die neue Studie konzentrierte sich auf Daten von Gaia, einer Mission, die eine dreidimensionale Karte unserer Galaxie erstellen soll, sowie auf Daten der Himmelsdurchmusterungsprogramme 2MASS und AllWISE. Christys Team verwendete einen maschinellen Lernalgorithmus, um aus einem Katalog mit rund 55 Millionen isolierten Sternen eine Liste mit 1,5 Millionen potenziellen veränderlichen Sternen zu erstellen.
Danach reduzierten die Forscher die Anzahl der Kandidatensterne noch weiter. Von den 1,5 Millionen untersuchten Sternen erwiesen sich fast 400.000 als echte veränderliche Sterne. Mehr als die Hälfte davon war der astronomischen Wissenschaftsgemeinschaft bereits bekannt, aber 116.027 waren neue Entdeckungen.
Obwohl die Studie maschinelles Lernen benötigte, sagte Christys Team, dass Bürgerwissenschaftler immer noch eine Rolle spielen. Freiwillige der Bürgerwissenschaftskampagne haben bereits begonnen, schlechte Daten zu identifizieren, sagte Christy. “Es ist für uns sehr nützlich, wenn Menschen uns sagen, wie unsere schlechten Daten aussehen, weil der Algorithmus sonst anfangs die schlechten Daten betrachten und versuchen würde, schlau daraus zu werden.
Aber die Verwendung eines Trainingsdatensatzes all dieser schlechten Daten erlaubt dem Team, die Leistungsfähigkeit ihres Algorithmus anzupassen und zu verbessern. “Dies ist das erste Mal, dass wir die Bürgerwissenschaft mit maschinellem Lernen auf dem Gebiet der veränderlichen Sterne kombinieren”, sagte Jayasinghe. “Wir erweitern die Grenzen dessen, was man machen kann, wenn man diese beiden Aspekte zusammenbringt.”
(THK)
Antworten