Al meer dan dertig jaar heeft de Hubble-ruimtetelescoop een ongekende rijkdom aan astronomische beelden vastgelegd: tot nu toe meer dan 1,7 miljoen. De enorme hoeveelheid gegevens heeft het echter voor menselijke wetenschappers onmogelijk gemaakt om elk frame in detail te analyseren. Nu is een nieuw kunstmatige intelligentie (AI)-model genaamd AnomalyMatch tussenbeide gekomen om de leemte op te vullen, waarbij 1.300 voorheen ongedocumenteerde kosmische anomalieën op de loer liggen in het Hubble Legacy Archive.
De uitdaging van de overbelasting van astronomische gegevens
Astronomische observatoria, vooral langlopende projecten als Hubble, genereren datasets die zo groot zijn dat ze de menselijke analytische capaciteit te boven gaan. Alleen al het Hubble Legacy Archive bevat tientallen jaren aan observaties in de diepe ruimte, die de grootste observatiedataset in de astronomie vertegenwoordigen. Het handmatig doorzoeken van deze gegevens is onpraktisch; er is simpelweg niet genoeg tijd voor onderzoekers om elk beeld te onderzoeken.
Hoe AnomalyMatch werkt
De door ESA ontwikkelde AI, AnomalyMatch, is getraind om ongebruikelijke objecten te identificeren met behulp van patroonherkenning, waarbij in zekere zin wordt nagebootst hoe het menselijke zicht informatie verwerkt. In minder dan drie dagen verwerkte het model bijna 100 miljoen uitgesneden afbeeldingen, waardoor afwijkingen werden opgemerkt die anders jarenlang onopgemerkt zouden zijn gebleven.
Welke afwijkingen zijn er gevonden?
Tot de ontdekkingen behoren onder meer verre sterrenstelsels die op onverwachte manieren samensmelten, stervormende klonten en kwalachtige sterrenstelsels met achterblijvende gasstructuren. Een bijzonder opvallende categorie betreft planeetvormende schijven in ons eigen sterrenstelsel die op hamburgers lijken. Veel van deze objecten trotseren een gemakkelijke classificatie, wat de uitgestrektheid van onbekende verschijnselen in het universum benadrukt.
Implicaties voor toekomstig onderzoek
Dit project markeert de eerste systematische zoektocht naar afwijkingen in het hele Hubble Legacy-archief. Onderzoekers benadrukken dat het succes het vermogen van AI aantoont om het wetenschappelijke rendement uit bestaande datasets dramatisch te verbeteren. De ontdekking van zoveel voorheen ongedocumenteerde anomalieën onderstreept het potentieel van het instrument voor toekomstige onderzoeken, evenals voor andere astronomische projecten op lange termijn.
“Dit is een krachtige demonstratie van hoe AI het wetenschappelijke rendement van archiefdatasets kan verbeteren”, zegt Pablo Gómez, een van de ESA-onderzoekers achter AnomalyMatch.
De ontwikkeling van AnomalyMatch is een grote stap voorwaarts in de manier waarop we kennis halen uit onze groeiende archieven met astronomische gegevens. Door het proces van anomaliedetectie te automatiseren, zorgt AI ervoor dat geen enkele potentieel significante waarneming door de mazen van het net glipt, waardoor nieuwe inzichten in het universum op een ongekende schaal worden ontsloten.
