Data-driven modeling of rotation curves with artificial neural networks

Stellen Sie sich das Universum als eine riesige, wirbelnde Tanzfläche vor, auf der Sterne, Gas und Staub um einen zentralen Punkt kreisen. Seit Jahrzehnten versuchen Astronomen herauszufinden, welche „Musik“ diesen Tanz am Laufen hält. Sie messen, wie schnell sich die Sterne in verschiedenen Entfernungen vom Zentrum einer Galaxie bewegen, und erstellen so eine Grafik, die man „Rotationskurve“ nennt. Hier liegt das Rätsel: Wenn sie berechnen, wie viel Masse (Materie) in der Galaxie sichtbar ist, basierend darauf, wie hell die Sterne leuchten, reicht dies schlichtweg nicht aus, um zu erklären, warum die Sterne so schnell sind. Es ist, als sähe man ein Auto, das mit hoher Geschwindigkeit über eine Autobahn rast, aber unter der Motorhaube findet sich kein Motor. Um dieses Problem zu lösen, schlugen Wissenschaftler vor, dass unsichtbare „Dunkle Materie“ wie ein verborgener Motor wirkt, der die zusätzliche Gravitation liefert, die nötig ist, um die Galaxie zusammenzuhalten.

Traditionell nutzen Wissenschaftler mathematische Formeln, um diesen unsichtbaren Motor zu kartieren – etwa so, als versuche man, einen ganz bestimmten Plätzchenausstecher auf einen Klumpen Teig zu pressen. Dabei gehen sie davon aus, dass der Teig (die Galaxie) eine bestimmte Form hat und der Ausstecher (das mathematische Modell) perfekt darauf passen muss. Aber Galaxien sind chaotisch, klumpig und einzigartig; manchmal passt der Teig überhaupt nicht zum Ausstecher. Hier kommt ein neuer, digitaler Ansatz ins Spiel. Anstatt eine vorgefertigte Form auf die Daten zu zwingen, stellt sich die Frage: Was wäre, wenn wir den Computer einfach die Form des Teigs direkt aus den Beobachtungen „lernen“ lassen würden, ohne vorher zu raten, wie der Ausstecher aussehen muss? Dies ist die Frage, der sich ein Team von Forschern aus Mexiko und der Schweiz widmete.

Der digitale Detektiv und der kosmische Tanz

In dieser Studie agierten die Forscher wie digitale Detektive, doch anstatt einen Verbrechen zu lösen, versuchten sie, die verborgene Struktur von 17 verschiedenen Spiralgalaxien zu verstehen. Sie verwendeten eine leistungsstarke Art künstlicher Intelligenz, ein „Künstliches Neuronales Netz“ (KNN). Man kann sich ein KNN wie einen hochintelligenten, digitalen Lehrling vorstellen. Im Gegensatz zu einem traditionellen Wissenschaftler, der mit einem Regelwerk (einer mathematischen Formel) beginnt und versucht, die Daten daran anzupassen, beginnt das KNN mit nichts weiter als den Rohdaten – den tatsächlichen Messwerten darüber, wie schnell sich die Sterne in verschiedenen Entfernungen bewegen.

Das Team fütterte ihre KI mit einem hochwertigen Datensatz aus dem „THINGS“-Survey, der präzise Beobachtungen dieser 17 spezifischen Galaxien enthält. Sie brachten der KI bei, den Abstand vom Zentrum der Galaxie zu betrachten und die Geschwindigkeit der Sterne sowie die Sicherheit ihrer Vorhersage zu prognostizieren. Um sicherzustellen, dass die KI die Daten nicht einfach wie ein Papagei auswendig lernt (ein Problem, das als „Overfitting“ bezeichnet wird), nutzten sie einen cleveren Trick namens „Monte Carlo Dropout“. Stellen Sie sich vor, die KI macht mehrmals hintereinander einen Test, aber jedes Mal, wenn sie den Test macht, vergisst sie zufällig ein paar Fakten. Indem die KI beobachtet, wie sehr sich ihre Antworten ändern, wenn sie Dinge vergisst, kann sie sagen: „Ich bin mir bei dieser Antwort ziemlich sicher, aber bei jener bin ich etwas unsicher.“ Dies verleiht dem Modell ein eingebautes „Unsicherheitsmessgerät“.

Das große Duell: Alte Regeln vs. neues Lernen

Um zu sehen, ob ihre neue KI-Methode gut war, ließen die Forscher sie gegen die herkömmliche Methode antreten. Die traditionelle Methode verwendet eine spezifische mathematische Form für die unsichtbare Dunkle Materie, das sogenannte „Navarro-Frenk-White“-Modell (NFW). Sie testeten dieses alte Modell auf zwei Arten: Erstens, indem sie annahmen, dass die Masse der Sterne fest und bekannt sei (wie ein strenges Rezept), und zweitens, indem sie die Masse der Sterne als eine „freie“ Variable zuließen, die sich ändern konnte, um die Mathematik besser zu machen.

Die Ergebnisse waren eine faszinierende Mischung aus Erfolg und Überraschung. Die Forscher gruppierten die 17 Galaxien in drei Kategorien, basierend darauf, welche Methode am besten zu den realen Beobachtungen passte:

1. Die Gruppe „Alte Regeln funktionieren am besten“ (Gruppe A): Für vier Galaxien (DDO154, NGC2903, NGC3621 und NGC2403) passten die traditionellen mathematischen Modelle tatsächlich besser zu den Daten als die KI. In diesen Fällen schienen die Galaxien dem Standard-„Rezept“ recht gut zu folgen, und der Versuch der KI, allein aus den Daten zu lernen, endete etwas zu wackelig.
2. Die Gruppe „Mittelweg“ (Gruppe B): Für vier weitere Galaxien (NGC3031, NGC2841, NGC3198 und NGC5055) war die KI besser als das Modell mit dem strengen „festen Rezept“, aber nicht ganz so gut wie das Modell mit der „freien Variable“. Es scheint, dass diese Galaxien etwas knifflig waren und irgendwo zwischen einer einfachen Form und einem komplexen Chaos lagen.
3. Die Gruppe „KI gewinnt“ (Gruppe C): Dies war die spannendste Gruppe, bestehend aus neun Galaxien (darunter NGC3521, NGC2366 und IC2574). Für diese Galaxien war das datengesteuerte Modell der KI der klare Sieger und passte viel genauer zu den Beobachtungen als jedes der traditionellen mathematischen Modelle.

Warum die KI in einigen Fällen gewann

Die Arbeit legt nahe, dass die KI in Gruppe C deshalb erfolgreich war, weil diese Galaxien komplexe, chaotische Strukturen aufweisen, die nicht in die glatten, sanften Kurven der alten mathematischen Formeln passen. Zum Beispiel haben einige dieser Galaxien klumpige Verteilungen von Sternen oder Gas, oder sie könnten „Klumpen“ aus Dunkler Materie besitzen, die die alten Modelle nicht berücksichtigen konnten. Die traditionellen Modelle mussten die Daten oft dazu zwingen, einer glatten Kurve zu folgen, was besonders in den inneren Bereichen der Galaxie, wo die Sterne dicht gedrängt sind, zu großen Fehlern führte. Die KI hingegen kümmerte sich nicht um Glätte; sie lernte einfach das tatsächliche, zerklüftete, reale Muster der Daten.

Die Studie hebt hervor, dass die alten mathematischen Modelle zwar für einige Galaxien nützlich sind, aber auch Grenzen haben. Wenn eine Galaxie zu komplex oder weist ungewöhnliche Merkmale auf, versagt der „Ausstecher“-Ansatz. Der KI-Ansatz hingegen ist flexibel genug, um diese Unregelmäßigkeiten zu erfassen, ohne vorher raten zu müssen, wie die Regeln lauten.

Was dies für die Zukunft bedeutet

Die Forscher behaupten nicht, dass die alten Modelle falsch sind oder dass die KI das Rätsel der Dunklen Materie gelöst hat. Stattdessen schlagen sie vor, dass wir beide Werkzeuge benötigen. Die KI fungt als eine kraftvolle neue Linse, die uns zeigen kann, wo die alten Modelle an ihre Grenzen stoßen. Sie offenbart, dass der Übergang zwischen den sichtbaren Sternen und der unsichtbaren Dunklen Materie für bestimmte Galaxien kein glatter, vorhersehbarer Übergang ist, sondern eine komplexe, holprige Fahrt.

Indem sie diese datengesteuerten Modelle verwenden, können Wissenschaftler nun Galaxien identifizieren, die sich anders verhalten als erwartet. Dies sagt uns nicht genau, was Dunkle Materie ist, aber es sagt uns genau, wo unsere aktuellen Theorien möglicherweise danebenliegen. Es ist wie eine Karte, die nicht nur die Straßen zeigt, die wir kennen, sondern auch die rauen, unbefestigten Pfade hervorhebt, auf denen wir neue Brücken bauen müssen. Die Studie kommt zu dem Schluss, dass maschinelles Lernen ein vielversprechender Partner für Astronomen ist, der einen Weg bietet, die Komplexität des Universums zu sehen, ohne durch unsere eigenen vorgefertigten Annahmen geblendet zu werden.