KI AnomalyMatch im Hubble-Teleskop-Archiv: ESA-Astronomen extrahierten in 2,5 Tagen fast 1400 Anomalien

KI durchsucht Hubble-Archiv und extrahiert in zwei bis drei Tagen fast 1400 seltene kosmische Anomalien

Astronomische Archive wachsen schneller, als Menschen sie sichten können, und dies ist zu einer der Schlüsselfragen der modernen Astronomie geworden: wie man in Datenozeanen seltene Phänomene findet, die das Verständnis des Universums verändern. Das NASA/ESA-Weltraumteleskop Hubble ist seit 1990 im Orbit in Betrieb und hat Jahrzehnte von Beobachtungen hinter sich. Ein Großteil dieses Vermächtnisses ist im Hubble Legacy Archive (HLA) zusammengefasst, einem Repositorium bearbeiteter Aufnahmen und Kataloge, das für die Suche und erneute Analyse bestimmt ist.

In einer Studie, unterzeichnet von David O’Ryan und Pablo Gómez, Wissenschaftlern, die mit der Europäischen Weltraumorganisation (ESA) verbunden sind, wurde eine Methode demonstriert, die künstliche Intelligenz und Expertenprüfung kombiniert, um in riesigen Bildsätzen schnell ungewöhnliche und wissenschaftlich interessante Objekte zu extrahieren. Ihr System namens AnomalyMatch bewertete systematisch etwa 99,6 Millionen Bildausschnitte aus dem HLA, und anschließend überprüften die Autoren die am höchsten bewerteten Kandidaten. Nach der Überprüfung wurden mehr als 1300 Anomalien bestätigt, und mehr als 800 Fälle wurden als zuvor nicht dokumentiert in der Literatur gekennzeichnet, die sie für die Überprüfungen nutzten.

Was in der Astronomie als Anomalie gilt und warum das wichtig ist

In diesem Kontext bedeutet „Anomalie“ nicht unbedingt etwas Unerklärliches, sondern alles, was statistisch vom üblichen Erscheinungsbild auf astronomischen Aufnahmen abweicht. Das sind Objekte und Konfigurationen, die selten auftauchen, aber große Informationen über extreme Prozesse tragen: Galaxien in Kollision und Interaktion, Ringgalaxien, „Quallen“-Galaxien mit Schweifen aus Gas und jungen Sternen, Gravitationslinsen, die Bögen und Ringe erzeugen, ungewöhnliche Jets, Projektionsüberlappungen von Quellen und andere morphologische Extreme.

Solche Beispiele dienen oft als natürliche Labore. Galaxienkollisionen offenbaren, wie Schwerkraft und Gas gemeinsam die galaktische Evolution formen; Gravitationslinsen ermöglichen die Untersuchung sehr entfernter Galaxien und die Abschätzung der Massenverteilung, einschließlich des Anteils an dunkler Materie; und „Quallen“ zeigen, wie die Umgebung in Galaxienhaufen Gas „entblößen“ und das Erlöschen der Sternentstehung beschleunigen kann. Das Problem ist, dass sie selten sind: Wenn sie unter Millionen von Aufnahmen nur im Promillebereich auftauchen, wird das manuelle Durchblättern zu langsam, teuer und anfällig dafür, dass interessante Fälle einfach im Rauschen verloren gehen.

In der klassischen Arbeitsweise werden Anomalien durch gezielte Suchen kleinerer Stichproben oder zufällig gefunden – ein Forscher „stolpert“ über ein ungewöhnliches Objekt, während er etwas ganz anderes tut. Angesichts der Datenexplosion wird dies immer seltener haltbar. In der Ära der Weitfeld-Himmelsdurchmusterungen und Massenkataloge ist die Schlüsselfrage nicht mehr nur „was wissen wir“, sondern auch „was haben wir noch gar nicht anschauen können“.

Warum das Hubble Legacy Archive ein ideales Testfeld ist

Das Hubble Legacy Archive ist für solche Experimente besonders interessant, da es eine lange Zeitspanne und eine große Vielfalt an Zielen umfasst, von nahegelegenen Nebeln bis hin zu Deep Fields mit Tausenden von Galaxien. Nach offiziellen Informationen des Archivs konzentriert sich das HLA auf Beobachtungen bis zum 1. Oktober 2017, während es sich für neuere Daten auf verbundene Systeme und zusätzliche „High-Level“-Produkte stützt. Diese zeitliche Grenze schmälert die Bedeutung des HLA nicht: Gerade Archivdaten gewinnen oft neuen Wert, wenn neue Algorithmen und neue wissenschaftliche Fragen auftauchen, da sie ein erneutes „Durchkämmen“ mit anderen Kriterien ermöglichen als zum Zeitpunkt, als die Aufnahmen entstanden.

Bisher wurde Hubbles Archiv hauptsächlich gezielt genutzt, zum Beispiel für die Suche nach Aufnahmen eines bekannten Objekts oder für thematische Stichproben. Eine völlig systematische Durchsicht des gesamten Archivs, mit einem Verfahren und denselben Kriterien, war logistisch fast unmöglich. AnomalyMatch ist deshalb auch als Demonstration des Konzepts wichtig: Anstatt dass das Archiv nur ein Lager ist, wird es zu einem aktiven Feld für die Entdeckung dessen, was in den Daten „offen sichtbar, aber versteckt“ ist.

Wie AnomalyMatch funktioniert

Weniger Markierungen, mehr Daten

Übliche Ansätze des maschinellen Lernens funktionieren am besten, wenn sie viele markierte Beispiele haben. Aber seltene Klassen in der Astronomie haben oft nicht Tausende von bestätigten Fällen, und manchmal handelt es sich um Dutzende. Deshalb kombiniert AnomalyMatch halboberwachtes Lernen (wenig markierte + viel unmarkierte Daten) und aktives Lernen (ein Experte überprüft iterativ die Vorschläge des Modells und verbessert es dadurch). Die Idee ist praktisch: Das Modell trifft zunächst eine grobe Auswahl und lernt dann aus menschlichem Feedback, um die Anzahl der „falschen Alarme“ zu verringern und die Präzision für das zu erhöhen, was wirklich interessant ist.

Von der Rangliste zum Katalog

In der Praxis sieht der Prozess so aus:

• Das Modell wird zunächst an einer begrenzten Anzahl bestätigter Beispiele seltener Morphologien sowie an einer großen Menge typischer Quellen trainiert.
• Das neuronale Netzwerk geht durch einen großen Satz von Bildern und weist jedem Ausschnitt einen Rang zu – wie wahrscheinlich es ist, dass er außerhalb der üblichen Muster liegt.
• Der Experte überprüft die Spitze der Liste, bestätigt oder verwirft Vorschläge und erstellt dadurch qualitativ hochwertigere Markierungen für den nächsten Zyklus.
• Nach einigen Iterationen wird das Modell präziser in der Trennung echter Anomalien von Verarbeitungsartefakten, Rauschen, Grenzfällen und Projektionsüberlappungen.

Eine wichtige Botschaft ist, dass Geschwindigkeit nicht dasselbe ist wie Bestätigung. KI „erklärt“ hier nicht die Physik, sondern spart Zeit bei der Selektion. Die endgültige wissenschaftliche Interpretation erfordert weiterhin eine Expertenprüfung und oft zusätzliche Daten wie Spektroskopie, Vergleich mit anderen Instrumenten oder detailliertere Photometrie.

Was gefunden wurde: mehr als 1300 bestätigte Anomalien

Bei der Suche im HLA verarbeitete das System ungefähr 99,6 Millionen Bildausschnitte. Nach Rangfolge und Expertenprüfung bestätigten die Autoren mehr als 1300 Anomalien und kennzeichneten mehr als 800 als zuvor nicht dokumentiert in der Literatur, die sie bei den Überprüfungen nutzten. In der Arbeit selbst werden auch Beispiele nach Kategorien aufgeführt, einschließlich einer großen Anzahl interagierender Galaxien, Kandidaten für Gravitationslinsen sowie andere seltene Morphologien.

Unter den extrahierten Kategorien heben sich besonders hervor:

• Kandidaten für Gravitationslinsen und Linsenbögen, die als natürliche Teleskope und als Werkzeug zur Messung der Linsenmasse dienen
• „Quallen“-Galaxien, die auf Gas-Stripping und Veränderungen in der Sternentstehung in dichten Umgebungen hinweisen
• Kollidierende Galaxien und interagierende Galaxien, die eine statistische Untersuchung der Verschmelzung und ihrer Folgen ermöglichen
• Ringgalaxien und andere ungewöhnliche Morphologien, die mit dynamischen Störungen verbunden sind

Eine solche Vielfalt ist kein Zufall: Das Ziel war nicht, eine spezifische Klasse zu finden, sondern systematisch alles hervorzuheben, was vom typischen Aussehen der Quellen im Archiv abweicht.

Gravitationslinsen: seltene Systeme mit großem wissenschaftlichem Gewinn

Der Gravitationslinseneffekt gehört zu den Schlüsselphänomenen der modernen Kosmologie. Eine massive Galaxie oder ein Galaxienhaufen kann das Licht eines weiter entfernten Objekts beugen und deformierte Bilder in Form von Bögen, Mehrfachbildern oder fast vollständigen Ringen erzeugen. In günstigen Fällen verstärkt die Linse die Helligkeit ferner Galaxien und ermöglicht die Untersuchung von Strukturen, die sonst zu schwach wären. Gleichzeitig liefert die Geometrie des Linseneffekts Informationen über die Massenverteilung der Linse, einschließlich des Beitrags dunkler Materie.

Deshalb sind neue Kandidaten schon vor der endgültigen Bestätigung wertvoll: Sie werden zum Ausgangspunkt für weitere Überprüfungen und Beobachtungen. Aber Linsen sind schwer zu finden, besonders in heterogenen Archivaufnahmen, wo das Objekt nicht unbedingt mit dieser Absicht aufgenommen wurde. Bögen können schwach sein, durch Hintergrundrauschen „zerknittert“ oder mit anderen Quellen vermischt. Das algorithmische Ranking hilft genau hier: sich wiederholende visuelle Muster zu erkennen und sie aus der Datenmasse herauszuziehen, um dann dem Experten die endgültige Entscheidung zu überlassen.

„Quallen“, Kollisionen und Ringe: was sie uns über die Galaxienevolution sagen

Quallen-Galaxien und Gas-Stripping

„Quallen“-Galaxien sind an Schweifen aus Gas und jungen Sternen erkennbar, die hinter der Galaxie hergezogen werden, während sie ein dichteres Medium durchquert, beispielsweise innerhalb von Galaxienhaufen. Solche Schweife deuten auf einen Prozess hin, bei dem Gas „abgerissen“ wird, was die Zukunft der Galaxie dramatisch verändern kann, da Gas den Treibstoff für die Entstehung neuer Sterne darstellt. Jeder neue Kandidat ist wertvoll für Vergleiche: In welchen Umgebungen entstehen Schweife, wie lange dauern sie an, wie verändert sich die Geschwindigkeit der Sternentstehung und wie stark ist der Prozess von der Masse der Galaxie und der Geschwindigkeit der Passage durch das Medium abhängig.

Kollisionen und Interaktionen als Grundlage des Wachstums

Galaxien wachsen durch Interaktionen und Verschmelzungen, doch jede Kollision hat ihre eigene Geometrie, ihr Massenverhältnis, ihre Gasmenge und ihre Gravitationsumgebung. Deswegen reicht ein einzelnes „schönes“ Beispiel nicht aus: Stichproben sind erforderlich. Große Sammlungen von Kandidaten helfen, von Anekdoten zu Statistiken überzugehen, zu testen, wie oft Kollisionen Gezeitenschweife erzeugen, wann Episoden intensiver Sternentstehung gezündet werden, wie sich die Morphologie durch Verschmelzungsphasen ändert und wie solche Prozesse das Wachstum zentraler Schwarzer Löcher und die Verteilung der Sternenmasse beeinflussen.

Ringgalaxien und Stoßwellen

Ringgalaxien werden oft mit dem Durchgang eines anderen Objekts durch die Scheibe in Verbindung gebracht, was eine Welle der Gaskompression und die Bildung eines Rings verstärkter Sternentstehung auslösen kann. Aber das ringförmige Aussehen kann auch durch Projektion oder Überlappung von Quellen entstehen, daher ist eine Überprüfung notwendig. Die Kombination aus KI-Ranking und menschlicher Interpretation erweist sich hier als praktisch: Der Algorithmus engt die Suche ein, und der Astronom bewertet dann, ob es sich um eine reale Struktur oder eine optische Täuschung handelt, und bestimmt, welche zusätzlichen Analysen zur Bestätigung erforderlich sind.

Wo der Mensch hineinpasst: KI beschleunigt die Suche, aber „schlussfolgert“ nicht

Wissenschaftler warnen, dass ungewöhnliche Formen auf astronomischen Bildern eine Folge des Instruments, der Verarbeitung oder des Rauschens sein können, insbesondere in den Randbereichen der Detektoren oder bei sehr schwachen Signalen. Deswegen bleibt die menschliche Überprüfung entscheidend, ebenso wie zusätzliche Beobachtungen, bevor ein Objekt mit einer klaren physikalischen Deutung in die Kategorie „bestätigt selten“ aufgenommen wird. AnomalyMatch ist daher am besten als Zeitmultiplikator zu beschreiben: Anstatt tagelang zufällige Aufnahmen durchzublättern, gibt das System eine Rangliste aus und lenkt die Aufmerksamkeit auf die wahrscheinlichsten Fälle, während der Mensch die Kontrolle über Bewertung und Schlussfolgerungen behält.

Bürgerwissenschaft und die neue Rolle von Algorithmen

Bürgerwissenschaftsprojekte, in denen Freiwillige helfen, Galaxien zu klassifizieren, haben bereits gezeigt, dass die menschliche Wahrnehmung extrem effektiv sein kann, besonders bei Morphologien, die Algorithmen schwer erfassen, wenn Signale schwach oder komplex sind. Aber der Umfang moderner Archive wächst schneller, als durch menschliche Arbeit ausgeglichen werden kann, selbst bei einer großen Zahl von Teilnehmern. In diesem Sinne müssen KI-Tools kein Ersatz sein, sondern Filter und Partner: Sie können durch Vorauswahl potenziell interessante Fälle extrahieren, und Bürgerwissenschaft und Experten können dann Klassifikationen bestätigen, verwerfen und ergänzen. Ein solcher „hybrider“ Ansatz eröffnet die Möglichkeit, dass seltene Phänomene schneller entdeckt werden, während Überprüfbarkeit und Qualität erhalten bleiben.

Breiterer Kontext: Euclid und kommende Datenwellen

Dieser Ansatz entwickelt sich zu einer Zeit, in der die Astronomie in eine Ära der Massendurchmusterungen eintritt. Die ESA-Mission Euclid generiert bereits große Datenmengen für Kosmologie und die Struktur des Universums, und ähnliche Herausforderungen bringen andere Weitfeldprojekte mit sich. In dieser Umgebung wird die Fähigkeit, seltene Objekte schnell zu erkennen, zu einem strategischen Vorteil: Sie ermöglicht eine schnellere Verfolgung von Kandidaten, eine bessere Planung zusätzlicher Beobachtungen und eine effizientere Nutzung begrenzter Instrumentenzeit.

Gleichzeitig zeigt die Arbeit am Hubble-Archiv auch eine andere Dimension: Archive aus vergangenen Jahrzehnten sind nicht erschöpft. Im Gegenteil, da sich Werkzeuge entwickeln, wachsen auch die Chancen, dass in bereits existierenden Daten Objekte ans Licht kommen, die jahrelang unbemerkt blieben. Für die Wissenschaft bedeutet dies, dass der Wert einer Mission weit über ihren „aktiven“ Zeitraum hinaus verlängert werden kann, und für die Öffentlichkeit, dass Entdeckungen nicht nur an neuen Teleskopen geschehen, sondern auch in alten Aufnahmen – wenn jemand sie auf eine neue Art betrachtet.

Open Source und Katalog als Einladung an die Gemeinschaft

Mit der Arbeit über Anomalien sind öffentlich zugängliche Code- und Datenrepositorien verbunden, was eine unabhängige Überprüfung und weitere Aufrüstung ermöglicht. Eine solche Offenheit verändert die Dynamik: Anstatt dass Ergebnisse innerhalb eines Teams bleiben, kann der Katalog zum Ausgangspunkt für zusätzliche Forschungen werden – von der detaillierten Bestätigung von Gravitationslinsen über die gezielte Suche nach seltenen Galaxienformen bis hin zum Training von Modellen für spezifische Unterklassen. Dadurch beschleunigt sich auch der Forschungszyklus selbst: Seltene Objekte kommen schneller „an die Reihe“, und Fragen, die einst Monate manueller Arbeit erforderten, können sich in ein Problem der Selektion und Priorität verwandeln, mit klarer menschlicher Überprüfung als letztem Schritt.

Quellen:
- arXiv – Zusammenfassung und Volltext der Arbeit „Identifying Astrophysical Anomalies in 99.6 Million Cutouts from the Hubble Legacy Archive Using AnomalyMatch“ (Link)
- arXiv – methodische Arbeit über AnomalyMatch und Beschreibung von halboberwachtem und aktivem Lernen (Link)
- ESA (GitHub) – offizielles Repositorium des Projekts AnomalyMatch (Link)
- STScI – offizielle Beschreibung des Hubble Legacy Archive und Informationen zum Archivumfang (Link)
- ESA Datalabs – Plattform für die Arbeit mit großen wissenschaftlichen Datensätzen (Link)