Google KI entdeckt zwei neue Exoplaneten in fernen Sonnensystemen mittels Deep Learning

• Google nutzte Deep Neural Networks zur Analyse von Keplers Daten.
• Sie fanden zwei neue Exoplaneten – Kepler-90i und Kepler-80g.
• Das entwickelte Modell unterscheidet Planeten und Nicht-Planeten mit ca. 96 % Genauigkeit.

Seit Jahrhunderten blicken Menschen zu den Sternen, erkennen Muster und dokumentieren Beobachtungen. Eine der frühen Entdeckungen im Weltraum waren Planeten, die die Griechen „Wanderer“ oder „planētai“ nannten wegen ihrer unregelmäßigen Bewegungen. Allmählich erfuhren wir, dass unser Sonnensystem mehrere Planeten beherbergt, die die Sonne umkreisen.

Mit modernen Technologien wie Digitalkameras, Raumfahrt, Teleskopoptik und Computern können wir unser Wissen über unser eigenes Sonnensystem hinaus erweitern und Planeten tausende Lichtjahre entfernt entdecken und identifizieren. Sie werden Exoplaneten genannt – Teil eines anderen Sonnensystems weit im All.

Exoplaneten zu finden ist jedoch extrem schwierig. Im Gegensatz zu ihren Sternen sind sie klein, kalt und dunkel. Derzeit nutzen wir Machine-Learning-Techniken, um Exoplaneten präzise zu detektieren. Eine solche Technik wird von Google verwendet, die zwei Exoplaneten detektierten: Kepler-90i, der einen gelben Zwergstern Kepler-90 umkreist, und Kepler-80g, der Kepler-80 umkreist. Schauen wir, wie sie das machten.

Verwendete Daten

Die primäre Methode zur Exoplanetensuche ist die Analyse riesiger Datenmengen, die vom NASA-Weltraumteleskop Kepler erfasst wurden, mittels manueller Analyse und automatisierter Software. In 4 Jahren beobachtete das Teleskop rund 200.000 Sterne und nahm alle 30 Minuten ein Bild auf. Keplers einziges wissenschaftliches Instrument, der Photometer, überwacht kontinuierlich die Helligkeit von über 145.000 Hauptreihensternen in einem festen Sichtfeld. Diese Daten werden zur Erde gesendet und tiefgehend untersucht, um die periodische Verdimmung durch umlaufende Exoplaneten zu identifizieren.

Das erzeugt etwa 14 Milliarden Datenpunkte, die sich in ca. 2 Quadrillionen mögliche Planetenbahnen übersetzen. Selbst der leistungsstärkste Computer braucht extrem lange für diese Datenmengen. Um den Prozess schneller und effizienter zu machen, nutzte Google Deep-Learning-Tools und -Techniken.

Der Machine-Learning-Ansatz

Machine Learning ist eine Form künstlicher Intelligenz, die Computern beibringt, bestimmte Muster zu erkennen. Es ist besonders hilfreich, um große Datenmengen zu verstehen. Die Idee: Maschinen lernen durch Training und Beispiele, statt durch explizite Programmierung.

Bildquelle: NASA

Deep Learning, eine Art des Machine Learning, nutzt computationale Schichten, um progressiv komplexe Features für Klassifikationsprobleme zu erstellen. Ein Deep-Picture-Klassifikationsmodell erkennt zunächst einfache Kantenfeatures, die weiter zu Ecken und Kurven genutzt werden, bis die finale Feature-Schicht komplexe Objekte unterscheiden kann.

Deep Neural Networks (eine Art Deep-Learning-Modell) sind State-of-the-Art bei Aufgaben wie Bildklassifikation. Meistens schneiden sie besser ab als Modelle mit handdesignten Features. Ein neuronales Netz wird trainiert, um eine Kostenfunktion zu minimieren, die misst, wie weit seine Vorhersagen von den wahren Labels des Trainingssets abweichen.

Das Google-KI-Team nutzte einen Datensatz von über 15.000 Kepler-Signalen, um ein TensorFlow-Modell zur Unterscheidung von Planeten und anderen Himmelskörpern zu erstellen. Dazu musste das System echte Planetenmuster vs. Muster durch andere Körper wie Doppelsterne und Sternflecken erkennen.

Sie entwickelten ein Deep Neural Network zur automatischen Untersuchung von Kepler Threshold Crossing Events (TCEs – detektierte periodische Signale, die mit transitierenden Planeten konsistent sein könnten). Das Modell nutzt Lichtkurven als Eingabe und wurde auf menschlich klassifizierten Kepler TCEs trainiert.

Die Eingabeansichten werden über separate Convolution-Spalten eingespeist – eine erfolgreiche Methode in früheren Bildklassifikationen. Es kann Himmelskörper mit anständiger Genauigkeit unterscheiden – die subtilen Unterschiede zwischen echten transitierenden Exoplaneten und False Positives wie Instrumentenartefakten, ekliipsierenden Doppelsternen und stellarer Variabilität.

Referenz: Harvard.edu

Ergebnisse

Beim Test auf Signale unterschied das Modell korrekt Signale, die von Planeten und Nicht-Planeten erzeugt wurden, mit 96 % Genauigkeit. Zudem ordnete es 98,8 % der Zeit plausible Planeten-Signale höher ein als False-Positive-Signale.

Lesen Sie auch: NASA nutzt KI für Weltraumkommunikationsnetzwerke

Um die Suche einzugrenzen, beobachteten sie 670 Sterne, die bereits zwei oder mehr Exoplaneten haben. Dabei fanden sie zwei neue Exoplaneten – Kepler-90i und Kepler-80g. Kepler-90i umkreist Kepler-90, einen Stern, von dem bereits 7 transitierende Planeten bekannt waren. Kepler-80g ist Teil einer 5-Planeten-Kette um Kepler-80 mit einer Umlaufperiode, die fast der Vorhersage durch 3-Körper-Laplace-Relationen entspricht.

Fast 13 % größer als die Erde, hat Kepler-80g (der äußerste Planet seines Systems) eine Umlaufperiode von 14,6 Tagen und eine Inklination von 89,35 +0,47/-0,98 Grad.

Bildquelle: Google Blog

Kepler-90i ist 34 % größer als die Erde mit einer Umlaufperiode von 14,45 Tagen. Er ist 2.545 Lichtjahre von der Erde entfernt im Sternbild Draco. Er liegt zwischen Kepler-90c (8,7 Tage) und Kepler-90d (59,7 Tage) mit extrem heißer Oberflächentemperatur – 436 °C.

Was kommt als Nächstes?

Bei den Möglichkeiten des Deep Neural Networks ist der Himmel die Grenze. Von 200.000 Sternen wurde das Modell nur auf 670 angewendet. In Keplers Daten könnten noch Hunderttausende unentdeckte Exoplaneten schlummern. Neue Techniken wie Deep Learning helfen Astronomen und Physikern, Dinge zu entdecken, die außerhalb menschlicher Reichweite liegen.

Lesen Sie auch: Googles KI erstellt eine KI, die menschlichen Code schlägt

Das Modell könnte zukünftig modifiziert werden, um Genauigkeit zu verbessern und bekannte False-Positive-Typen zu reduzieren. Zum Beispiel könnten wir:

• Trainingsdatensatz durch simulierte oder ungelabelte Daten erweitern (aktuelles Modell nutzt nur ~15.000 gelabelte Beispiele).
• Fattening-Routine verbessern, um Signale durch stellare Variabilität zu reduzieren, die als wahrscheinliche Planeten klassifiziert werden.
• Zentroid-Informationen in die Eingaberepräsentation aufnehmen, um die Klassifikation von Transits auf Hintergrundsternen statt Zielsternen zu verbessern.
• Lokale Ansicht in mehrere Segmente aufteilen, um Konsistenz der Transits zwischen verschiedenen Datensatzsegmenten zu analysieren.