AI-ondersteunde zoektocht vindt 1.400 mysterieuze objecten in 30-jarig Hubble-archief

Zoektocht met behulp van AI onthult 1.400 mysterieuze objecten in het 30-jarige archief van Hubble

Al meer dan drie decennia fungeert de Hubble-ruimtetelescoop als het voornaamste oog van de mensheid op de kosmos. De telescoop heeft beelden vastgelegd die ons begrip van de geboorte van sterren, de evolutie van sterrenstelsels en de uitdijing van het universum zelf hebben geherdefinieerd. De enorme hoeveelheid gegevens die door het observatorium wordt gegenereerd, is de capaciteit van menselijke onderzoekers om elk frame te inspecteren echter allang ontgroeid. In een baanbrekende studie gepubliceerd in het tijdschrift Astronomy & Astrophysics heeft een team astronomen van de European Space Agency (ESA) een geavanceerd hulpmiddel met kunstmatige intelligentie gebruikt om door deze berg gegevens te spitten. Daarbij zijn bijna 1.400 afwijkende objecten ontdekt die voorheen onopgemerkt bleven. Door 100 miljoen beelduitsneden in slechts 60 uur te scannen, hebben de onderzoekers gedemonstreerd hoe machine learning eeuwen aan handmatige arbeid kan transformeren in een paar dagen computerverwerking.

De uitdaging van Big Data in de moderne astronomie

Het Hubble Legacy Archive is een van de belangrijkste opslagplaatsen van wetenschappelijke informatie in de geschiedenis en bevat tienduizenden datasets die 35 jaar aan observaties beslaan. Hoewel het archief een goudmijn is voor astrofysisch onderzoek, vormt het ook een ontmoedigend "speld in een hooiberg"-probleem. Traditioneel vereiste het ontdekken van zeldzame of afwijkende objecten — zoals botsende sterrenstelsels of gravitatielenzen — dat astronomen beelden handmatig inspecteerden of vertrouwden op toevallige ontdekkingen tijdens niet-gerelateerde onderzoeken. Zelfs met de komst van burgerwetenschapsprojecten, waarbij duizenden vrijwilligers helpen bij het classificeren van hemellichamen, overstijgt de snelheid van gegevensverwerving door moderne telescopen in hoog tempo de grenzen van de collectieve menselijke inspanning.

De noodzaak voor geautomatiseerde systemen is nog nooit zo groot geweest. Naarmate telescopen krachtiger worden en surveys uitgebreider, is de "hooiberg" niet langer alleen maar groot; deze breidt zich in een exponentieel tempo uit. Onderzoekers David O’Ryan en Pablo Gómez van de ESA erkenden dat ze, om de meest "eigenaardige" en wetenschappelijk significante uitschieters in de Hubble-gegevens te vinden, een methodologie nodig hadden die de verfijnde patroonherkenning van het menselijk brein combineerde met de meedogenloze snelheid van moderne processoren. Dit leidde tot de ontwikkeling van een geavanceerd nieuw hulpmiddel dat specifiek is ontworpen om op ongebruikelijke zaken te jagen.

De methodologie: 100 miljoen beelden in 60 uur

Om de achterstand in het archief aan te pakken, ontwikkelde het team een neuraal netwerk — een AI-architectuur geïnspireerd op de biologische structuren van het menselijk brein — dat ze AnomalyMatch noemden. In tegenstelling tot standaardalgoritmen die zijn geprogrammeerd om specifieke, goed gedefinieerde objecten zoals sterren of spiraalvormige sterrenstelsels te vinden, werd AnomalyMatch getraind om "het vreemde" te herkennen. Het zoekt naar patronen die afwijken van de norm, zoals vervormde symmetrieën, ongebruikelijke gasvormige aanhangsels of verwrongen lichtsignaturen. Het neuraal netwerk werd ingezet om bijna 100 miljoen beelduitsneden uit het Hubble Legacy Archive te scannen, wat de eerste keer markeert dat de gehele collectie systematisch is doorzocht op astrofysische anomalieën.

De efficiëntie van de AI was verbluffend. Wat een team van professionele astronomen decennia zou hebben gekost om met de hand te inspecteren, werd door AnomalyMatch in slechts tweeënhalve dag voltooid. De onderzoekers benadrukten echter dat de AI niet in isolatie opereert. Zodra het algoritme potentiële kandidaten markeerde, inspecteerden O’Ryan en Gómez persoonlijk de bronnen met een hoge waarschijnlijkheid om hun authenticiteit te verifiëren. Deze "human-in-the-loop"-benadering zorgt ervoor dat de snelheid van AI wordt getemperd door de expertise van ervaren wetenschappers, waardoor digitale artefacten of cameraruis die een minder geavanceerd systeem zouden kunnen misleiden, worden uitgefilterd.

Het catalogiseren van de ‘eigenaardige’ ontdekkingen

De zoektocht leverde een schatkist op van 1.400 afwijkende objecten, waarvan er maar liefst 800 nog nooit in de wetenschappelijke literatuur waren gedocumenteerd. De catalogus bevat een diverse reeks kosmische zeldzaamheden die onze visuele verwachtingen van de ruimte tarten. Onder de bevindingen bevonden zich:

• Ringstelsels door botsing: Zeldzame structuren die ontstaan wanneer een sterrenstelsel door het centrum van een ander stelsel dringt, wat een rimpeling van stervorming veroorzaakt.
• Gravitatielenzen en -bogen: Gevallen waarbij de zwaartekracht van een massief object op de voorgrond het licht van een verder afgelegen sterrenstelsel vervormt tot cirkels of langgerekte bogen.
• Kwalstelsels (Jellyfish Galaxies): Systemen met lange, gasvormige "tentakels" die worden weggerukt terwijl ze door het intergalactisch medium bewegen.
• Protoplanetaire schijven van opzij gezien: Zonnestelsels in ontwikkeling die eruitzien als "hamburgers" of "vlinders" wanneer ze van de zijkant worden bekeken.

Waarom anomalieën belangrijk zijn voor de wetenschap

In de astrofysica zijn de uitschieters vaak belangrijker dan de gemiddelden. Terwijl standaard sterrenstelsels ons vertellen hoe het universum zich meestal gedraagt, vertellen anomalieën ons hoe het universum zich gedraagt onder extreme omstandigheden. "Archiefobservaties van de Hubble-ruimtetelescoop gaan inmiddels 35 jaar terug en bieden een schatkamer aan gegevens waarin astrofysische anomalieën kunnen worden gevonden," merkte David O’Ryan op, de hoofdauteur van de studie. Deze "eigenaardige" objecten bieden cruciale gegevenspunten voor het testen van theorieën over zwaartekracht, donkere materie en de evolutie van sterrenstelsels. Een zeldzame gravitatielens kan bijvoorbeeld fungeren als een natuurlijke telescoop, waardoor onderzoekers verder terug in de tijd kunnen kijken dan anders mogelijk zou zijn.

Bovendien bieden deze ontdekkingen een routekaart voor toekomstige observaties. Door deze 1.400 objecten nu te identificeren, kan de wetenschappelijke gemeenschap prioriteit geven aan vervolgstudies met geavanceerdere instrumenten zoals de James Webb-ruimtetelescoop (JWST). Begrijpen waarom een sterrenstelsel een "kwalvorm" heeft aangenomen of waarom een stervormende schijf asymmetrisch lijkt, kan leiden tot doorbraken in ons begrip van de vloeistofdynamica van gas in de verre ruimte en de levenscycli van sterren.

De toekomst van archiefonderzoek

Het succes van de AnomalyMatch-tool heeft diepgaande gevolgen voor de toekomst van de ruimteverkenning. We treden momenteel een tijdperk van "survey-astronomie" binnen, waarin nieuwe faciliteiten zoals de Euclid-ruimtetelescoop van de ESA en het Vera C. Rubin Observatory petabytes aan gegevens zullen produceren. Euclid, die in 2023 met zijn survey begon, heeft de taak om miljarden sterrenstelsels over een derde van de hemel in kaart te brengen. Zonder AI-hulpmiddelen zoals die van O’Ryan en Gómez zou veel van de meest interessante data van deze missies waarschijnlijk generaties lang begraven blijven in digitale archieven.

Medeauteur van de studie Pablo Gómez benadrukte het bredere nut van hun werk: "Dit is een fantastisch gebruik van AI om de wetenschappelijke output van het Hubble-archief te maximaliseren. Het vinden van zoveel afwijkende objecten in Hubble-gegevens, waarvan je zou verwachten dat er al veel gevonden zouden zijn, is een geweldig resultaat." De methodologie van het team dient als een proof of concept dat kan worden toegepast op de aanstaande Nancy Grace Roman-ruimtetelescoop, die gepland staat voor lancering in 2027 en die nog weidser zicht op het infrarode universum zal bieden.

Een nieuw paradigma voor ontdekking

Terwijl we vooruitgang boeken, evolueert de relatie tussen astronomen en kunstmatige intelligentie van eenvoudige automatisering naar diepe samenwerking. AI fungeert als een "tweede paar ogen", in staat om patronen te zien in de ruis die het menselijk oog over het hoofd zou kunnen zien als gevolg van vermoeidheid of cognitieve vooroordelen. Door wetenschappers te bevrijden van de mechanische taak om miljoenen beelden te sorteren, stellen deze hulpmiddelen onderzoekers in staat zich te concentreren op de analyse op hoog niveau en het theoretische werk dat het vakgebied vooruithelpt.

De ontdekking van deze 1.400 objecten herinnert ons eraan dat de "Grote Observatoria" zoals Hubble nog veel geheimen prijs te geven hebben. Zelfs nu we nieuwere, krachtigere telescopen lanceren, blijven de gegevens die we al hebben verzameld een vitale grens. In het huwelijk tussen 30 jaar oud licht en moderne neurale netwerken hebben astronomen een manier gevonden om ervoor te zorgen dat geen enkel kosmisch mysterie — hoe eigenaardig ook — in het donker verborgen blijft.