Astronomen haben kürzlich Hunderte „verschmutzter“ weißer Zwergsterne in unserer Heimatgalaxie, der Milchstraße, entdeckt. Dabei handelt es sich um weiße Zwerge, die dabei ertappt wurden, wie sie in ihrer Umlaufbahn aktiv Planeten verschlingen. Sie sind eine wertvolle Ressource für die Erforschung des Inneren dieser entfernten, zerstörten Planeten. Sie sind allerdings schwer zu finden.
Bisher mussten Astronomen Berge von Daten aus Himmelsdurchmusterungen manuell nach Anzeichen dieser Sterne durchsuchen. Anschließende Beobachtungen konnten ihre Vermutungen dann bestätigen oder widerlegen.
Durch den Einsatz einer neuartigen Form der künstlichen Intelligenz, dem sogenannten Manifold Learning, hat ein Team unter der Leitung der Absolventin Malia Kao von der University of Texas in Austin den Prozess beschleunigt und so eine Erfolgsquote von 99 % bei der Identifizierung erreicht. Die Ergebnisse waren veröffentlicht 31. Juli in Das Astrophysikalische Journal.
Weiße Zwerge sind Sterne im letzten Lebensstadium. Sie haben ihren Brennstoff verbraucht, ihre äußeren Schichten in den Weltraum abgegeben und kühlen langsam ab. Eines Tages wird unsere Sonne zu einem weißen Zwerg – aber das wird erst in 6 Milliarden Jahren passieren.
Manchmal werden die Planeten, die einen Weißen Zwerg umkreisen, von der Schwerkraft ihres Sterns angezogen, auseinandergerissen und vernichtet. Wenn dies geschieht, wird der Stern mit Schwermetallen aus dem Inneren des Planeten „verschmutzt“. Da die Atmosphären Weißer Zwerge fast ausschließlich aus Wasserstoff und Helium bestehen, kann das Vorhandensein anderer Elemente zuverlässig externen Quellen zugeschrieben werden.
„Bei verschmutzten Weißen Zwergen wird das Innere des Planeten buchstäblich in die Oberfläche des Sterns eingebrannt, damit wir es sehen können“, sagte Kao. „Verschmutzte Weiße Zwerge sind derzeit die beste Möglichkeit, das Innere von Planeten zu charakterisieren.“
„Anders ausgedrückt“, fügte Keith Hawkins, ein Astronom an der UT und Co-Autor der Studie, hinzu, „es ist die einzige echte Möglichkeit, tatsächlich herauszufinden, woraus Planeten außerhalb des Sonnensystems bestehen. Das heißt, dass das Auffinden dieser verschmutzten Weißen Zwerge von entscheidender Bedeutung ist.“
Leider sind die Hinweise auf diese Sterne – die man an den umweltschädlichen Metallen in ihrer Atmosphäre erkennt – oft subtil und schwer zu erkennen. Außerdem müssen Astronomen sie innerhalb eines relativ kurzen Zeitfensters finden.
Obwohl Astronomen diese Sterne identifizieren können, indem sie Daten aus astronomischen Untersuchungen manuell überprüfen, kann dies zeitaufwändig sein. Um ein schnelleres Verfahren zu testen, wendete das Team KI auf Daten an, die vom Weltraumteleskop Gaia verfügbar sind. „Gaia bietet eine der bislang größten spektroskopischen Untersuchungen von Weißen Zwergen, aber die Daten haben eine so niedrige Auflösung, dass wir dachten, es wäre nicht möglich, damit verschmutzte Weiße Zwerge zu finden“, sagte Hawkins. „Diese Arbeit zeigt, dass es möglich ist.“
Um diese schwer fassbaren Sterne zu finden, verwendete das Team die KI-Technik Manifold Learning. Dabei sucht ein Algorithmus in einem Datensatz nach ähnlichen Merkmalen und fasst ähnliche Elemente in einem vereinfachten, visuellen Diagramm zusammen. Die Forscher können das Diagramm dann überprüfen und entscheiden, welche Klumpen weitere Untersuchungen erfordern.
Die Astronomen entwickelten einen Algorithmus, um über 100.000 mögliche Weiße Zwerge zu sortieren. Von diesen sah eine Gruppe von 375 Sternen vielversprechend aus: Sie wiesen das Hauptmerkmal auf, dass ihre Atmosphären Schwermetalle enthielten. Nachfolgende Beobachtungen mit dem Hobby-Eberly-Teleskop am McDonald-Observatorium der UT bestätigten die Vermutungen der Astronomen.
„Unsere Methode kann die Anzahl der bekannten verschmutzten Weißen Zwerge verzehnfachen, was es uns ermöglicht, die Vielfalt und Geologie von Planeten außerhalb unseres Sonnensystems besser zu untersuchen“, sagte Kao. „Letztendlich wollen wir herausfinden, ob Leben außerhalb unseres Sonnensystems existieren kann. Wenn unser System unter den Planetensystemen einzigartig ist, könnte es auch einzigartig in seiner Fähigkeit sein, Leben zu erhalten.“
Dieser innovative Ansatz ist nur ein Beispiel dafür, wie Forscher an der University of Texas in Austin künstliche Intelligenz nutzen, um wissenschaftliche Rätsel zu lösen. Um diese Innovationen voranzutreiben und zu präsentieren, hat die UT Austin das Jahr 2024 zum Jahr der KI erklärt.
Für diese Forschung wurden Daten der Gaia-Mission der Europäischen Weltraumorganisation (ESA) verwendet. Die Daten wurden vom Gaia Data Processing and Analysis Consortium verarbeitet.
Nachfolgende Beobachtungen wurden mit dem Hobby-Eberly-Teleskop (HET) durchgeführt, einem Gemeinschaftsprojekt der University of Texas in Austin, der Pennsylvania State University, der Ludwig-Maximilians-Universität München und der Georg-August-Universität Göttingen, sowie mit dem Very Large Telescope (VLT) der Europäischen Südsternwarte (ESO).
Das Texas Advanced Computing Center an der UT Austin stellte für diese Forschung Hochleistungsrechner-, Visualisierungs- und Speicherressourcen zur Verfügung.
Mehr Informationen:
Malia L. Kao et al, Jagd auf verschmutzte Weiße Zwerge und andere Schätze mit Gaia XP Spectra und unüberwachtem maschinellem Lernen, Das Astrophysikalische Journal (2024). DOI: 10.3847/1538-4357/ad5d6e