Enabling New Discoveries with Machine Learning

Das Universum wird zu laut für das menschliche Ohr, um es allein zu belauschen. In den kommenden Jahren werden massive neue Teleskope damit beginnen, den Himmel zu scannen und Bilder sowie Signale in einem Tempo zu erfassen, das alles übertrifft, womit Astronomen jemals konfrontiert waren. Ein Projekt, das Vera C. Rubin Observatory, wird schließlich etwa 20 Milliarden optische Galaxien katalogisieren und jede einzelne Nacht mehr als 10 Millionen Mal etwas veränderndes am Himmel entdecken. Ein anderes, das Square Kilometre Array, wird über eine Milliarde Radiogalaxien entdecken. Wenn die Daten in solch überwältigenden Mengen eintreffen, wird die alte Methode eines Wissenschaftlers, der sich hinsetzt, um jedes einzelne Bild oder Signal einzeln anzusehen, unmöglich. Die Herausforderung besteht nicht mehr nur darin, die Daten zu sammeln, sondern die Nadel im Heuhaufen zu finden, wenn der Heuhaufen so groß wie ein Planet ist.

Um dies zu lösen, wenden sich Forscher dem maschinellen Lernen zu, einem Bereich, in dem Computer lernen, Muster zu erkennen, ohne explizit für jede Regel programmiert worden zu sein. Ein einfaches Computerprogramm, das jedoch alles Ungewöhnliche markiert, reicht nicht aus. In einem Datensatz, der Milliarden von Objekten enthält, könnte ein Computer einen Fehler in der Kamera oder einen Fleck auf der Linse als „seltsam“ kennzeichnen, obwohl dieser keinen wissenschaftlichen Wert besitzt. Das eigentliche Ziel ist es, die wirklich interessanten Anomalien zu finden: die seltenen, neuen oder unerwarteten Objekte, die unser Verständnis des Kosmos umschreiben könnten. Hier setzt die Arbeit von Michelle Lochner und ihren Kollegen an, die einen neuen Weg aufzeigen, um die Lücke zwischen roher Rechenleistung und menschlicher Neugier zu schließen.

Die Forscher entwickelten ein Werkzeug namens astronomaly, ein System, das darauf ausgelegt ist, Wissenschaftlern zu helfen, diese massiven Datensätze effizient zu durchforsten. Anstatt zu versuchen, dem Computer genau beizubringen, wie ein neuer Objekttyp aussieht – was unmöglich ist, wenn noch nie jemand einen gesehen hat –, nutzt das System eine Methode namens „Active Learning“. In diesem Prozess scannt der Computer die Daten und präsentiert einem menschlichen Wissenschaftler eine kleine Auswahl der vielversprechendsten Kandidaten. Der Wissenschaftler klassifiziert diese dann als interessant oder uninteressant. Der Computer lernt aus diesen Entscheidungen, verfeinert sein Verständnis dafür, was der Mensch als wertvoll erachtet, und sortiert dann den Rest der Daten entsprechend. Dies schafft eine Partnerschaft, in der die Maschine die schwere Arbeit des Sortierens übernimmt, während der Mensch die Intuition liefert, um die wirklich bedeutenden Entdeckungen zu erspähen.

Dieser Ansatz hat bereits zu realen Erkenntnissen geführt. Mit Hilfe von astronomaly identifizierte das Team eine neue Art von Radioquelle namens SAURON, was für „Steep and Uneven Ring of Nonthermal radiation“ steht. Dieses Objekt, das in Daten aus dem MeerKAT Galaxy Cluster Legacy Survey gefunden wurde, sieht keiner bekannten Quelle ähnlich und könnte das Überbleibsel zweier verschmelzender supermassiver Schwarzer Löcher sein. Das System half auch dabei, ungewöhnliche variable Sterne und Galaxienverschmelzungen aufzudecken, die mit traditionellen Methoden übersehen worden wären. In einem Fall analysierte das Tool fast 4 Millionen optische Bilder aus dem Dark Energy Camera Legacy Survey und hob ein Dutzend spezifischer Quellen hervor, die Experten als besonders interessant empfanden, einschließlich Objekten, die der Standardklassifizierung widersprachen.

Ein wesentlicher Teil dieses Erfolgs liegt darin, wie der Computer die Daten versteht. Jahrzehntelang mussten Wissenschaftler die Merkmale, nach denen der Computer suchen sollte, manuell entwerfen, wie etwa die Form einer Galaxie oder die Helligkeit eines Sterns im Zeitverlauf. Dies war ein schwieriger Schritt, der oft einschränkte, was der Computer finden konnte. Die neue Arbeit zeigt, dass die Verwendung von Deep Learning, einer fortgeschritteneren Form des maschinellen Lernens, es dem Computer ermöglicht, diese Merkmale selbstständig zu bestimmen. Durch das Training eines Computers zur Erkennung komplexer Muster in Bildern kann das System eine reiche, interne Karte der Daten erstellen. Als die Forscher diese Methode anwandten, stellten sie fest, dass der Computer ähnliche Galaxien gruppieren und ungewöhnliche davon mit weitaus größerer Genauigkeit als zuvor trennen konnte.

Die Forscher entdeckten jedoch eine subtile, aber wichtige Wendung in der Funktionsweise dieser fortgeschrittenen Systeme. Wenn ältere, manuell entworfene Merkmale verwendet wurden, befanden sich seltsame Objekte meist am äußersten Rand der Datenkarte, was sie als Ausreißer leicht erkennbar machte. Mit den neuen Deep-Learning-Methoden wurden die seltsamen Objekte jedoch oft tief innerhalb der Karte gefunden, vermischt mit den normalen Objekten. Ein Computer, der nur nach Dingen sucht, die am Rand liegen, würde sie übersehen. Um dies zu lösen, verfeinerte das Team seinen Ansatz mit einer Version des Werkzeugs namens astronomaly: protege. Anstatt nur nach statistischen Anomalien zu suchen, konzentriert sich diese Version vollständig darauf, was der menschliche Nutzer als interessant empfindet, und lernt direkt aus dessen Feedback, um die komplexe Karte der Daten zu navigieren.

Das Paper kommt zu dem Schluss, dass die Zukunft der Entdeckung in der Astronomie von dieser spezifischen Art der Partnerschaft zwischen Mensch und Maschine abhängt. Während die Flut der Daten von neuen Teleskopen wächst, wird die Fähigkeit, die Suche nach dem Außergewöhnlichen zu automatisieren, essenziell sein. Die Forscher argumentieren, dass „interessant“ eine subjektive Qualität ist, die von Wissenschaftler zu Wissenschaftler variiert, und dass der beste Weg nach vorn daher nicht darin besteht, sie perfekt in Code zu definieren, sondern Systeme zu bauen, die sie von uns lernen. Indem sie die Geschwindigkeit von Maschinen mit der Intuition menschlicher Experten kombinieren, können Astronomen sicherstellen, dass die nächste große Entdeckung – vielleicht so überraschend wie der erste Pulsar, den Jocelyn Bell Burnell 1967 fand – nicht im Rauschen verloren geht.