Modelle des maschinellen Lernens ergänzen zunehmend menschliche Prozesse, indem sie entweder sich wiederholende Aufgaben schneller ausführen oder systematische Einblicke liefern, die helfen, menschliches Wissen ins rechte Licht zu rücken. Astronomen an der UC Berkeley waren überrascht, als sie feststellten, dass beides geschah, nachdem sie Gravitations-Mikrolinsenereignisse modelliert hatten, was zu einer neuen einheitlichen Theorie für das Phänomen führte.
Gravitationslinsen treten auf, wenn Licht von weit entfernten Sternen und anderen stellaren Objekten um ein näheres direkt zwischen ihm und dem Beobachter herum gebogen wird, wodurch kurzzeitig ein hellerer – aber verzerrter – Blick auf das weiter entfernte Objekt entsteht. Je nachdem, wie sich das Licht krümmt (und was wir über das entfernte Objekt wissen), können wir auch viel über den Stern, Planeten oder das System erfahren, um den das Licht gebeugt wird.
Zum Beispiel deutet ein vorübergehender Helligkeitsanstieg auf einen Planetenkörper hin, der die Sichtlinie durchquert, und diese Art von Anomalie in der Anzeige, die aus irgendeinem Grund als „Entartung“ bezeichnet wird, wurde verwendet, um Tausende von Exoplaneten zu erkennen.
Aufgrund der Einschränkungen ihrer Beobachtung ist es schwierig, diese Ereignisse und Objekte über eine Handvoll grundlegender Begriffe wie ihre Masse hinaus zu quantifizieren. Und Entartungen fallen im Allgemeinen unter zwei Möglichkeiten: dass das entfernte Licht näher an einem der beiden vorbeikam Stern oder der Planet in einem gegebenen System. Mehrdeutigkeiten werden oft mit anderen beobachteten Daten in Einklang gebracht, z. B. dass wir auf andere Weise wissen, dass der Planet zu klein ist, um das Ausmaß der beobachteten Verzerrung zu verursachen.
Keming Zhang, Doktorand an der UC Berkeley, suchte nach einer Möglichkeit, solche Linsenereignisse schnell zu analysieren und zu kategorisieren, da sie in großer Zahl auftreten, wenn wir den Himmel regelmäßiger und detaillierter untersuchen. Er und seine Kollegen trainierten ein maschinelles Lernmodell mit Daten bekannter Gravitations-Mikrolinsenereignisse mit bekannten Ursachen und Konfigurationen und setzten es dann auf eine Reihe anderer weniger gut quantifizierter frei.
Die Ergebnisse waren unerwartet: Zusätzlich zu der geschickten Berechnung, wann ein beobachtetes Ereignis unter einen der beiden Hauptentartungstypen fiel, fand es viele, die dies nicht taten.
„Die beiden vorherigen Entartungstheorien befassen sich mit Fällen, in denen der Hintergrundstern scheinbar nahe am Vordergrundstern oder Vordergrundplaneten vorbeizieht. Der KI-Algorithmus zeigte uns Hunderte von Beispielen nicht nur aus diesen beiden Fällen, sondern auch Situationen, in denen der Stern weder am Stern noch am Planeten vorbeizieht und durch keine der vorherigen Theorien erklärt werden kann“, sagte Zhang in einer Pressemitteilung von Berkeley.
Nun, dies könnte sehr gut an einem schlecht abgestimmten Modell liegen oder an einem, das einfach nicht genug Vertrauen in seine eigenen Berechnungen hatte. Aber Zhang schien davon überzeugt zu sein, dass die KI etwas getaktet hatte, was menschliche Beobachter systematisch übersehen hatten.
Als Ergebnis – und nach einiger Überzeugungsarbeit, da ein Doktorand, der etablierte Lehren in Frage stellt, toleriert, aber vielleicht nicht gefördert wird – schlugen sie schließlich eine neue, „einheitliche“ Theorie vor, wie die Entartung dieser Beobachtungen erklärt werden kann, darunter die beiden bekannten Theorien waren einfach die häufigsten Fälle.
Diagramm, das eine Simulation einer 3-Linsen-Entartungslösung zeigt. Bildnachweis: Zhanget al
Sie sahen sich zwei Dutzend neuere Arbeiten an, in denen Mikrolinsenereignisse beobachtet wurden, und stellten fest, dass Astronomen das, was sie sahen, fälschlicherweise als den einen oder anderen Typ kategorisiert hatten, obwohl die neue Theorie besser zu den Daten passte als beide.
„Die Leute sahen diese Mikrolinsen-Ereignisse, die tatsächlich diese neue Entartung zeigten, aber es einfach nicht bemerkten. Es war wirklich nur das maschinelle Lernen, das Tausende von Ereignissen betrachtete, bei denen es unmöglich wurde, sie zu übersehen“, sagte Scott Gaudi, ein Astronomieprofessor der Ohio State University, der Co-Autor des Papiers war.
Um es klar zu sagen, die KI hat die neue Theorie nicht formuliert und vorgeschlagen – das lag ganz am menschlichen Intellekt. Aber ohne die systematischen und zuverlässigen Berechnungen der KI hätte die vereinfachte, weniger korrekte Theorie wahrscheinlich noch viele Jahre Bestand gehabt. So wie die Menschen gelernt haben, Taschenrechnern und später Computern zu vertrauen, lernen wir, einigen KI-Modellen zu vertrauen, dass sie eine interessante Wahrheit frei von Vorurteilen und Annahmen liefern – das heißt, wenn wir nicht nur unsere eigenen Vorurteile und Annahmen in sie eincodiert haben.
Die neue Theorie und die Beschreibung des dazu führenden Prozesses werden in einem Papier beschrieben veröffentlicht in der Zeitschrift Nature Astronomy. Es ist wahrscheinlich nichts Neues für die Astronomen unter unserer Leserschaft (es war letztes Jahr ein Vorabdruck), aber die maschinell lernenden und allgemeinen Wissenschaftsfreaks könnten diese interessante Entwicklung schätzen.