Wissenschaft

Erstes außerirdisches Sonnensystem mit acht Planeten entdeckt

Ein neurales Netzwerk kann die Daten der NASA nun schneller auswerten als jeder Mensch – und machte direkt zwei Entdeckungen. Freitag, 15 Dezember

Von Nadia Drake

Wissenschaftler haben ein neurales Netzwerk darauf trainiert, große Datenmengen von Teleskopen auf Planetenjagd zu durchforsten – und es hat eine völlig neue Welt entdeckt.

Der neu entdeckte Planet mit der Bezeichnung Kepler-90i versteckte sich in den Datenmengen des NASA-Weltraumteleskops Kepler. Er gesellt sich zu sieben weiteren Planeten, die einen Stern in etwa 2.500 Lichtjahren Entfernung umkreisen. Das bedeutet, dass das System Kepler-90 nun mit unserem eigenen Sonnensystem gleichauf ist, was die meisten bekannten Planeten innerhalb eines Systems angeht.

„Kepler hat uns bereits gezeigt, dass die meisten Sterne Planeten haben“, sagte Paul Hertz von der NASA während einer Pressekonferenz, auf der die Entdeckung verkündet wurde. „Heute bestätigt Kepler, dass Sterne auch große Planetenfamilien haben können, genau wie unser Sonnensystem.“

Die Ankündigung verdeutlicht, wie maschinelles Lernen uns dabei helfen kann, mehr über die aufregenden Welten in unserer Galaxie zu lernen.

VIEL ZU SEHEN

Das Kepler-Weltraumteleskop, das seine Arbeit im Jahr 2009 aufnahm, hatte seinen Blick vier Jahre lang auf 150.000 Sterne in einem bestimmten Abschnitt des Himmels gerichtet. Seine Mission bestand darin, nach kurzen Schwankungen in der Helligkeit von Sternenlicht zu suchen – Ereignisse, die auftreten, wenn Planeten vor ihrem Stern vorbeiziehen. Wenn Wissenschaftler ein solches Signal in den Daten entdecken, können sie auch herausfinden, wie groß ein Planet ist und in welcher Entfernung er seinen Stern umkreist.

Bisher hat Kepler 2.525 Planeten identifiziert, und wahrscheinlich warten in den Daten noch weitere auf ihre Entdeckung. Aber es ist keine leichte Aufgabe, die Existenz eines Planeten auch nachzuweisen. Für Menschen ist es unmöglich, die riesigen Datenmengen von Kepler per Hand zu durchsuchen, denn darin sind Billiarden möglicher Planetenumlaufbahnen enthalten. Und nur, weil ein Stern kurzzeitig etwas dunkler wird, bedeutet das noch nicht, dass ein Planet die Ursache dafür ist: Sonnenflecken und andere Objekte innerhalb des Systems kommen ebenfalls als Grund infrage.

Deshalb hat Chris Shallue von Google AI beschlossen, neurale Netzwerke zur Lösung dieses Problems zu nutzen. Es wurde schon zuvor auf maschinelles Lernen zurückgegriffen, um die Daten von Kepler zu filtern und zu klassifizieren, aber Shallues neurales Netzwerk bot einen deutlich leistungsstärkeren Algorithmus.

„Ich begann mich für die Verwendung neuraler Netzwerke in der Astronomie zu interessieren, als ich erfuhr, dass Kepler so viele Daten gesammelt hatte, dass Wissenschaftler sie unmöglich manuell auswerten konnten“, sagt er. „Unsere Idee war es, diese Technik in Richtung Himmel zu wenden und einem System des maschinellen Lernens beizubringen, wie man Planeten weit entfernter Sterne identifiziert.“

VIEL ZU LERNEN

Wie der Name schon sagt, basieren neurale Netzwerke auf der Arbeitsweise des menschlichen Gehirns. Man kann ihnen beibringen, Dinge zu identifizieren und zu klassifizieren, beispielsweise den Unterschied zwischen Bildern von Hunden und Bildern von Katzen. Wenn das Netzwerk erst einmal genug Fotos von Katzen und Hunden gesehen hat, kann es diese eigenständig unterscheiden.

Shallue hat einem Netzwerk beigebracht, die charakteristischen Fingerabdrücke von Planeten zu erkennen. Er nutzte 15.000 echte Planetensignaturen aus dem Kepler-Datensatz und begann, das System darauf zu trainieren, den Unterschied zwischen echten Welten und Signalen zu erkennen, die nur wie Planeten wirkten. Als er testete, wie gut seine Maschine lernte, stellte sich heraus, dass sie Planeten in 96 Prozent aller Fälle korrekt identifizierte.

Dann war es Zeit, seinen Algorithmus an die Arbeit zu schicken. Shallue und Andrew Vanderburg von der Universität von Texas in Austin wandten ihn auf Daten von 670 Sternen im Blickfeld von Kepler an, die bereits bekannte Planeten hatten, da diese eher in Gruppen als allein auftreten.

Im Anschluss durchkämmte der Algorithmus Signale von Systemen, die als zu schwach galten, um von Menschen manuell untersucht zu werden. In diesen Signalen identifizierte die Maschine zwei neue Planeten, die in der zugehörigen Studie beschrieben werden. Sie wird in der Fachzeitschrift „The Astronomical Journal“ veröffentlicht werden.

„Diese zwei Planeten haben schwache Signale, die bei allen vorherigen Untersuchungen dieser Sterne übersehen worden sind“, sagt Shallue.

VIEL ZU ENTDECKEN

Einer der beiden Planeten, Kepler-80g, ist der sechste bekannte Planet des Systems. Er hat ungefähr die Größe der Erde und braucht 14,6 Tage, um seinen Stern zu umrunden, der kleiner und roter als die Sonne ist.

Das neurale Netzwerk erkannte außerdem die Welt Kepler-90i. Sie ist etwas größer als die Erde und ihr Jahr dauert nur zwei Erdwochen. Der Planet ist der dritte innerhalb des Systems, das sich um einen Stern zentriert, der ein wenig größer und wärmer als unsere Sonne ist. Zwei ähnlich kleine Planeten umkreisen den Stern in geringerer Entfernung als Kepler-90i, während die Planeten weiter draußen zunehmend größer werden.

Obwohl es eine vergleichsweise große Anzahl von Planeten ist, tummeln sie sich auf recht engem Raum: Alle acht Planeten kreisen innerhalb derselben Distanz um ihren Stern, die die Erde zur Sonne hat.

„Kepler-90i ist kein Ort, den ich gern besuchen würde“, sagt Vanderburg. „Die Oberfläche ist wahrscheinlich glühend heiß. Wir haben errechnet, dass er vermutlich eine durchschnittliche Temperatur von 426 °C hat.“

Er merkt an, dass Kepler-90 vermutlich noch weitere bisher unentdeckte Planeten haben könnte. Er und Shallue wollen den kompletten Kepler-Datensatz von ihrem Algorithmus prüfen lassen und sehen, was dabei herauskommt. Aber noch muss sich niemand sorgen, dass Computer menschliche Astronomen ersetzen.

„Das wird auf jeden Fall in Zusammenarbeit mit den Astronomen funktionieren“, sagt Jessie Dotson von der NASA. „Diesen Teil wird man nie ausklammern können. Man braucht diese anfänglichen Klassifikationen, damit man das maschinelle Lernen trainieren kann – und dann kann es deutlich mehr Signale auswerten als Menschen.“

Nadia Drake auf Twitter folgen.

Wei­ter­le­sen