Künstliche Intelligenz verändert grundlegend die Art und Weise, wie wir das Universum sehen. Nachdem die KI bereits die Art und Weise revolutioniert hat, wie wir Daten vom James Webb Space Telescope (JWST) verarbeiten, wird sie nun eingesetzt, um eines der ältesten Probleme der Astronomie zu lösen: den Unschärfeeffekt der Erdatmosphäre.
Ein neuer KI-Algorithmus, der von Forschern der University of California, Santa Cruz (UCSC) entwickelt wurde, zielt darauf ab, Bilder vom Vera C. Rubin Observatory in Chile so zu transformieren, dass bodengestützte Beobachtungen genauso scharf und klar erscheinen wie solche, die aus dem Vakuum des Weltraums aufgenommen wurden.
Die atmosphärische Hürde
Selbst die fortschrittlichsten bodengestützten Observatorien stehen vor einem erheblichen Hindernis: der Atmosphäre. Das Vera C. Rubin-Observatorium auf dem Cerro Pachón in den chilenischen Anden befindet sich an einem der trockensten Orte der Erde, um Störungen zu minimieren. Wenn Licht von entfernten Galaxien jedoch durch unsere Atmosphäre wandert, stößt es auf Turbulenzen, die das Bild verzerren und unscharf machen.
Während Astronomen viel in Hardware investieren, um diese Verzerrungen zu korrigieren, wenden sich UCSC-Professor Brant Robertson und sein Team einer anderen Art von Hochleistungstechnologie zu: maschinellem Lernen.
Geben Sie „Neo“ ein: Der AI Image Enhancer
Die Forscher haben ein generatives Modell namens Neo entwickelt. Um dieses System zu trainieren, nutzte das Team eine clevere Vergleichsmethode:
1. Sie haben die KI-Bilder vom Subaru-Teleskop (bodengestützt) gespeist.
2. Sie haben sie mit hochauflösenden Schnappschüssen derselben Himmelsregionen vom Weltraumteleskop Hubble (weltraumgestützt) gepaart.
Durch den Vergleich der beiden lernte Neo, wie man die fehlenden Details, die durch atmosphärische Unschärfe verloren gingen, „ausfüllen“ konnte. Die Ergebnisse sind transformativ. Nach Angaben des Forschungsteams kann Neo die Genauigkeit der gemessenen Galaxienformen und -parameter um das 2- bis 10-fache verbessern.
Praktisch bedeutet das:
– Vage Flecken werden in deutliche, einzelne Sterne umgewandelt.
– Unscharfe Formen werden in präzise galaktische Strukturen aufgelöst.
– Die Datenqualität wird auf ein Niveau angehoben, das statistisch der weltraumgestützten Fotografie nachempfunden ist.
Maximierung des wissenschaftlichen Ertrags
Bei diesem Technologiesprung geht es nicht nur um bessere Bilder; es geht um wirtschaftliche und wissenschaftliche Effizienz. Der Bau eines Weltraumteleskops wie Hubble oder Webb kostet Milliarden von Dollar. Im Gegensatz dazu kostete das Vera C. Rubin-Observatorium etwa 800 Millionen US-Dollar.
Durch den Einsatz von KI zur „Aufladung“ der von Rubin stammenden Daten können Wissenschaftler einen viel höheren Wert aus ihrer Investition ziehen. Wie Robertson feststellt, besteht das Ziel darin, öffentliche und gemeinschaftliche Ressourcen zu nutzen, um sicherzustellen, dass wir aus unseren teuersten Instrumenten alle möglichen Informationen herausholen.
Wie Neo funktioniert: Ein Dual-Netzwerk-Ansatz
Neo nutzt ein Conditional Generative Adversarial Network (GAN). Dabei arbeiten zwei neuronale Netze in einer Dauerschleife:
– Der Generator: Erstellt eine verbesserte, hochauflösende Version des Originalbildes.
– Der Bewerter: Analysiert das generierte Bild kritisch, um es auf Genauigkeit und Qualität zu überprüfen.
Dieser Prozess wird von den GPU-gesteuerten Supercomputern von NVIDIA unterstützt und ermöglicht es der KI, jedes einzelne Pixel zu analysieren, um zwischen leerem Himmel, Sternen und komplexen galaktischen Strukturen wie Scheiben oder Sphäroiden zu unterscheiden.
Die Zukunft der Entdeckung: Menschen + KI
Oft besteht die Befürchtung, dass KI Wissenschaftler ersetzen wird, doch die Forscher argumentieren vom Gegenteil. Die schiere Datenmenge, die moderne Teleskope erzeugen – wie zum Beispiel die riesigen Datenströme des JWST – ist zu groß, als dass das menschliche Auge sie allein verarbeiten könnte.
„Wir werden mit einer solchen Datenmenge überschwemmt, dass es sehr schwierig ist, mit ihnen Schritt zu halten“, sagt Robertson. „Unsere Standardansätze zur Analyse dieser Bilder sind einfach nicht ausreichend.“
KI fungiert als Kraftmultiplikator. Es übernimmt die schwere Arbeit der Mustererkennung und Datenbereinigung, sodass sich Astronomen auf die Interpretation der tiefgreifendsten Entdeckungen konzentrieren können.
Schlussfolgerung
Durch die Überbrückung der Lücke zwischen bodengestützten Einschränkungen und weltraumgestützter Klarheit ermöglicht KI eine neue Ära der schnellen, hochauflösenden Astronomie. Diese Technologie stellt sicher, dass unsere Fähigkeit, das Universum zu verstehen, Schritt hält, selbst wenn wir mit einer überwältigenden Flut kosmischer Daten konfrontiert sind.
