Ein KI-System zeigt, wie viel unentdecktes Potenzial noch in jahrzehntealten Weltraumdaten steckt – und stößt dabei auf Phänomene, die selbst Experten derzeit nicht einordnen können.
Die Europäische Weltraumagentur hat mithilfe eines speziell trainierten neuronalen Netzes nahezu 100 Millionen Aufnahmen des Hubble-Weltraumteleskops analysieren lassen. Das Ergebnis ist bemerkenswert: Rund 1.400 auffällige Objekte wurden identifiziert, etwa 800 davon waren bislang wissenschaftlich nicht beschrieben. Besonders spannend sind mehrere Dutzend Anomalien, für die es aktuell keine schlüssige Erklärung gibt.
Zum Einsatz kam der Algorithmus „AnomalyMatch“, entwickelt von den ESA-Forschern David O’Ryan und Pablo Gómez. Innerhalb von nur zweieinhalb Tagen sichtete das System den gesamten Datenbestand und markierte Objekte mit hoher Abweichungswahrscheinlichkeit. Diese Vorauswahl wurde anschließend manuell überprüft und im Fachjournal Astronomy & Astrophysics veröffentlicht.
Bei den meisten Funden handelt es sich um ungewöhnlich geformte Galaxien: verschmelzende Systeme, starke Gravitationslinsen, Galaxien mit massiven Gasklumpen oder ausladenden Gasstrukturen. Auch planetenbildende Staubscheiben tauchen auf – teils in Perspektiven, die eher an Alltagsobjekte erinnern als an klassische Astronomiebilder. Ein Objekt ragt besonders heraus: eine Galaxie mit extrem großskaligen Strukturen, deren Natur bislang völlig offen ist.
Der eigentliche Wert dieser Arbeit liegt jedoch nicht nur in den einzelnen Entdeckungen. Mit Blick auf kommende Großprojekte wie das Vera C. Rubin Observatory, das Datenmengen von über 50 Petabyte liefern wird, wird klar: Ohne KI sind solche Volumina kaum noch sinnvoll auszuwerten. AnomalyMatch zeigt exemplarisch, wie maschinelles Lernen helfen kann, wissenschaftliche Schätze in Datenbergen sichtbar zu machen und Forschung gezielt voranzubringen.