Maschinelles Lernen revolutioniert die Analyse von Gaia-Daten

POTSDAM / BARCELONA / MÜNCHEN (IT BOLTWISE) – Die dritte Datenveröffentlichung des Gaia-Satelliten der ESA hat der astronomischen Forschung neue Möglichkeiten eröffnet. Mit der Bereitstellung verbesserter Messungen für 1,8 Milliarden Sterne steht den Wissenschaftlern eine immense Datenmenge zur Verfügung, die es zu analysieren gilt.

Die Analyse der umfangreichen Daten des Gaia-Satelliten stellt eine erhebliche Herausforderung dar, die durch den Einsatz von maschinellem Lernen gemeistert werden kann. Forschende des Leibniz-Instituts für Astrophysik Potsdam (AIP) und des Institut de Ciències del Cosmos an der Universität Barcelona (ICCUB) haben in einer aktuellen Studie gezeigt, wie maschinelles Lernen zur Bestimmung wichtiger Sterneigenschaften genutzt werden kann. Dabei kommt ein Modell namens SHBoost zum Einsatz, das auf qualitativ hochwertigen Daten von acht Millionen Sternen trainiert wurde.

Die zugrunde liegende Technik, bekannt als ‚Extreme Gradient-Boosted Trees‘, ermöglicht die präzise Ermittlung stellarer Eigenschaften wie Temperatur, chemische Zusammensetzung und interstellare Staubverdunkelung. Diese Methode reduziert nicht nur die Rechenzeit erheblich, sondern auch den Energieverbrauch und den CO2-Ausstoß. Arman Khalatyan vom AIP betont, dass das Modell seine Aufgaben innerhalb von vier Stunden auf einem einzigen Grafikprozessor erledigt – ein Prozess, der zuvor zwei Wochen und 3000 Hochleistungsprozessoren erforderte.

Ein entscheidender Vorteil dieser Methode ist die Möglichkeit, alle Sterntypen gleichzeitig zu analysieren. Das Modell wird mit hochwertigen spektroskopischen Daten aus kleineren Himmelsdurchmusterungen trainiert und wendet diese Erkenntnisse auf den großen Datensatz der dritten Datenveröffentlichung von Gaia an. Dabei werden die wichtigsten Sterneigenschaften nur mithilfe der photometrischen und astrometrischen Daten sowie den niedrig aufgelösten XP-Spektren von Gaia gewonnen.

Die hohe Qualität der Ergebnisse reduziert die Notwendigkeit zusätzlicher ressourcenintensiver spektroskopischer Beobachtungen. Dies ist besonders wichtig für die Identifizierung seltener metallarmer oder supermetallreicher Sterne, die für das Verständnis der frühesten Phasen der Entstehung der Milchstraße entscheidend sind. Christina Chiappini vom AIP hebt hervor, dass dies ein entscheidender Vorteil für die Vorbereitung künftiger Beobachtungen mit Multi-Objekt-Spektroskopie ist.

Das neue Modell liefert umfassende Karten der gesamten chemischen Zusammensetzung der Milchstraße und bestätigt die Verteilung von jungen und alten Sternen. Die Daten zeigen eine Konzentration metallreicher Sterne in den inneren Regionen der Galaxie, einschließlich des Balkens und des Bulge, mit enormer statistischer Aussagekraft. Friedrich Anders vom ICCUB fügt hinzu, dass das Team das Modell auch genutzt hat, um junge, massereiche, heiße Sterne in der gesamten Galaxie zu kartieren.

Die Ergebnisse der Studie zeigen, dass es in unserer Milchstraße eine Reihe von ’stellaren Leerräumen‘ gibt, also Gebiete, die nur sehr wenige junge Sterne beherbergen. Außerdem wird aus den Daten ersichtlich, wo bisher die dreidimensionale Verteilung von interstellarem Staub noch unzureichend aufgelöst ist. Da Gaia weiterhin Daten sammelt, wird die Fähigkeit von Modellen des maschinellen Lernens, diese riesigen Datensätze schnell zu verarbeiten, zu einem unverzichtbaren Werkzeug für die zukünftige astronomische Forschung.

Der Erfolg dieses Ansatzes zeigt das Potenzial des maschinellen Lernens, die Analyse großer Datenmengen in der Astronomie und anderen wissenschaftlichen Bereichen zu revolutionieren und gleichzeitig nachhaltigere Forschungspraktiken zu fördern. Diese Ergebnisse wurden in einem Fachartikel in der Zeitschrift Astronomy & Astrophysics veröffentlicht.