Automatisierte Suche

Mit KI über 100 unbekannte Exoplaneten entdeckt

Die künstlerische Illustration zeigt zwei Exoplaneten, die um ihre Sonne kreisen.(Bild: NASA/Ames Research Center/Daniel Rutter)

Astronomen der University of Warwick in England haben in Daten, die das US-Weltraumteleskop TESS zur Erde gefunkt hat, mithilfe eines neuen Tools auf Basis Künstlicher Intelligenz (KI) 31 bis dato unbekannte Exoplaneten entdeckt.

TESS (die Abkürzung steht für Transiting Exoplanet Survey Satellite) hat etwa die Größe eines Kühlschranks und ist mit vier Kameras bestückt. Wie sein Vorgänger, das Weltraumteleskop „Kepler“, beobachtet das Observatorium im All das Licht bestimmter Sterne.

TESS, dessen Mission im April 2018 begonnen hat, kann sowohl kleine, steinige Planeten als auch riesige Himmelskörper finden – und insgesamt ein deutlich größeres Gebiet abdecken als das Teleskop „Kepler“. Wie dieses beobachtet TESS das Licht bestimmter Sterne. Wenn diese kurz nachlässt, könnte das bedeuten, dass ein Planet vorbeigezogen ist. Die Verdunkelungen des Sternenlichts die entstehen, wenn Planeten vor ihren Muttersternen vorbeiziehen – man spricht von der sogenannten Transitmethode.

Das Weltraumteleskop TESS (Bild) funkt seit 2018 Beobachtungsdaten zur Erde.(Bild: NASA's Goddard Space Flight Center)

Für ihre Studie wandten die Forscher ihre neu entwickelte KI-Pipeline namens RAVEN auf Beobachtungen von mehr als 2,2 Millionen Sternen an, die von TESS während dessen ersten vier Betriebsjahre gesammelt wurden.

Der Schwerpunkt lag auf der Suche nach Planeten, die nah an ihren Sternen kreisen und eine Umlaufbahn in weniger als 16 Tagen absolvieren, um so eine möglichst genaue Einschätzung darüber zu erhalten, wie häufig diese Welten mit kurzer Umlaufzeit vorkommen.

„Mithilfe unserer neu entwickelten RAVEN-Pipeline konnten wir 118 neue Planeten und mehr als 2000 Planetenkandidaten validieren, von denen fast 1000 völlig neu sind“, wird die Erstautorin der Studie, Marina Lafarga Magro, auf der Website der University of Warwick zitiert. „Dies stellt eine der am besten charakterisierten Stichproben von nahen Planeten dar und wird uns helfen, die vielversprechendsten Systeme für zukünftige Untersuchungen zu identifizieren“, so die Astronomin.

Mit simulierten Datensätzen trainiert
Die KI wurde mit umfangreichen simulierten Datensätzen trainiert, die sowohl echte Planetensignale als auch täuschend ähnliche astrophysikalische Effekte enthalten. Dadurch lernt das System, echte Transits von Fehlalarmen zu unterscheiden.