Astronomie-Daten mit Machine Learning auszuwerten, bringt viele Vorteile (und den einen oder anderen Nachteil). Rok Hribar, Experte für Machine Learning, hat die Thüringer Landessternwarte im November 2024 besucht, um einige Projekte anzustoßen.
Hribar ist Forscher am Computer Systems Department des Jožef-Stefan-Institut in Ljubljana, Slovenien. Derzeit verbringt er im Rahmen des von der Europäischen Union geförderten EXOWORLD-Personalaustauschprogramms ein Jahr beim DLR (Deutsches Zentrum für Luft- und Raumfahrt) in Berlin. Das Jožef-Stefan-Institut ist das führende wissenschaftliche Forschungsinstitut Sloweniens und deckt ein breites Spektrum an Grundlagen- und angewandter Forschung ab. Wie die Thüringer Landessternwarte (TLS) ist es Teil des EXOWORLD-Konsortiums.
Artie Hatzes (links) und Rok Hribar an der Thüringer LandessternwarteArtie Hatzes, Wissenschaftler an der TLS, hatte Rok Hribar eingeladen, eine Woche in Tautenburg zu verbringen, um mit den Astronominnen und Astronomen gemeinsame Machine-Learning-Projekte auszuloten. "Es ist großartig, dass wir die Gelegenheit haben, mit einem Experten zusammenzuarbeiten, weil es in der Astronomie viele Anwendungen für Machine Learning gibt", sagt Hatzes.
Den Prozess der Datenreduzierung automatisieren
Astronomen produzieren eine große Menge an Beobachtungsdaten. Im Idealfall kann maschinelles Lernen den Prozess der Reduzierung und der Analyse dieser Daten automatisieren. Computer können die Daten viel schneller auswerten als Menschen. "Mit maschinellem Lernen können wir Dinge modellieren, die Menschen nicht verarbeiten können, weil die Datenmenge zu groß ist. Maschinelles Lernen reduziert auch die manuelle Arbeit", stellt Hribar die Vorteile heraus.
In seinem Kolloquiumsvortrag am Institut beschrieb der Computerexperte, wie er Machine Learning auf astronomische Fragestellungen anwendet. Hribar hat bereits einige Projekte mit Forschenden am DLR in Berlin, am Rheinischen Institut für Umwelt-Forschung an der Universität Köln und an der Universita degli Studi di Torino, Italien, angestoßen. Diese Institute sind ebenfalls Teil des Konsortiums "Understanding the evolution of EXOplanets and towards habitable WORLDs (EXOWORLD)".
So wird ein Machine-Learning-Projekt aufgesetzt
Hribar erklärt, dass ein Machine-Learning-Projekt immer ein iterativer Prozess sei. Zuerst beschreiben die Astronomen, welches Problem sie lösen möchten. Hribar unterstreicht, wie er ein Projekt angeht: "Es ist immer hilfreich, die astronomische Fragestellung sehr gut zu verstehen, weil davon abhängt, welche Methode angewandt wird." Es ist wichtig, die wissenschaftliche Fragestellung im Detail zu besprechen. "Normalerweise haben die Leute schon eigene Ideen, wofür sich Machine Learning gut eignet", sagt Hribar. Zu Beginn schaut er sich den Datensatz an, der für das Training des Machine-Learning-Modells verwendet wird. Welche Eigenschaften haben die Daten? Welche sind am wichtigsten, um das Problem zu lösen?
Versuch und Irrtum
Dann wird die Methode ausgewählt. Das bedeutet, die Daten entsprechend vorzubereiten und das geeignete Machine-Learning-Modell auszuwählen. "Die Vorbereitung der Daten ist 90 Prozent der Arbeit", erklärt Hribar. Wenn ein gewähltes Modell so arbeitet, wie es soll, werden Daten und Modell verfeinert. Dabei wird viel ausprobiert.
Ein Nachteil kann sein, dass die Datenverarbeitung mit Machine Learning intransparent sein kann. "Astronomen verstehen meistens, wie ihre Software arbeitet. Bei Machine Learning weiß man aber oft nicht so genau, was das Modell macht", sagt Hribar. Die große Frage ist: Wie zuverlässig sind die Ergebnisse?
Um damit umzugehen, gehen die Forschenden Schritt für Schritt vor: "Wir sehen Zwischenergebnisse und verstehen besser, was das Modell macht oder wo es vielleicht irrt", beschreibt Hribar den Korrekturmechanismus. Die Validierung der einzelnen Schritte schafft Vertrauen, dass die Ergebnisse zuverlässig sind.
Während seines Besuchs in Tautenburg hat Rok Hribar einige Projekte mit Wissenschaftlerinnen und Wissenschaftlern an der TLS gestartet, die fortgesetzt werden. Hatzes dankt ihm für seinen Besuch: "Ich schätze es sehr, dass sich Rok Hribar die Zeit nahm, um an die Thüringer Landessternwarte zu kommen. Die Wissenschaftler hier waren sehr daran interessiert, sich mit ihm auszutauschen."
Hintergrund-Information
Das EXOWORLD-Projekt, das Hribars Forschungsaufenthalt am DLR in Berlin finanzierte, wird von der Europäischen Union im Rahmen des Horizon Europe Programms Marie Skłodowska-Curie Actions Staff Exchanges (Project ID: 101086149) unterstützt. "Understanding the evolution of EXOplanets and towards habitable WORLDs (EXOWORLD)" ist ein Konsortium, das zwölf Organisationen aus acht Ländern umfasst. Es setzt interdisziplinäres und internationales Fachwissen ein, um die Vielfalt der Exoplaneten zu untersuchen.