Forscher gehen davon aus, dass die verlockendsten Orte für die Suche nach Leben wie „Anomalien“ aussehen werden.

In den letzten zweieinhalb Jahren wurden zwei Teleskope der nächsten Generation ins All geschickt: das James Webb Space Telescope (JWST) der NASA und das Euclid Observatory der ESA. Noch vor Ablauf des Jahrzehnts werden das Nancy Grace Roman Space Telescope (RST) der NASA, das Spectro-Photometer for the History of the Universe, Epoch of Reionization, and Ices Explorer (SPHEREx) und die PLAnetary Transits and Oscillations of der ESA hinzukommen Sterne (PLATO) und ARIEL-Teleskope.

Diese Observatorien werden auf fortschrittliche Optiken und Instrumente zurückgreifen, um die Suche und Charakterisierung von Exoplaneten zu unterstützen, mit dem ultimativen Ziel, bewohnbare Planeten zu finden.

Neben noch laufenden Missionen werden diese Observatorien riesige Mengen hochauflösender spektroskopischer Daten sammeln.

Das Durchsuchen dieser Daten erfordert modernste Techniken des maschinellen Lernens, um nach Hinweisen auf Leben und biologische Prozesse (auch Biosignaturen genannt) zu suchen.

In einem aktuellen Artikel empfahl ein Team von Wissenschaftlern des Institute for Fundamental Theory an der University of Florida (UF-IFL), dass zukünftige Untersuchungen maschinelles Lernen nutzen sollten, um nach Anomalien in den Spektren zu suchen, die ungewöhnliche chemische Signaturen und unbekannte Biosignaturen aufdecken könnten.

Die Studie wurde von einer Mischung aus Physikern und Experten für maschinelles Lernen durchgeführt, darunter außerordentliche Professorin Katia Matcheva, Physik-Doktorand Roy T. Forestano, Professor Konstantin T. Matchev und Ph.D. Student Eyup B. Unlu.

Ein Vorabdruck ihrer Arbeit „Searching for Novel Chemistry in Exoplanetary Atmospheres using Machine Learning for Anomaly Detection“ erschien online auf dem Preprint-Server arXiv und wird zur Veröffentlichung im überprüft Astrophysikalisches Journal. Wie sie erklärten, ist die zentrale Prämisse ihrer Arbeit, dass die Frage, was „Leben“ ausmacht, für Wissenschaftler eine offene Frage bleibt und es von Vorteil wäre, den Umfang unserer Suche zu erweitern.

Zunächst ist es wichtig anzuerkennen, wie weit die Erforschung von Exoplaneten in den letzten Jahrzehnten fortgeschritten ist. Die erste bestätigte Entdeckung fand erst 1992 statt und bestand aus zwei Supererden (Poltergeist und Phobitor), die um einen Pulsar (PSR B1257+12, auch bekannt als Lich) beobachtet wurden, der sich 2.300 Lichtjahre von der Erde entfernt befand. Während Wissenschaftler fest davon überzeugt waren, dass die meisten Sterne über ein eigenes Planetensystem verfügten, hatten sie vor dieser Entdeckung keinen unwiderlegbaren Beweis. Und bis zum Start des Kepler-Weltraumteleskops im Jahr 2009 kamen jedes Jahr einige neue Exoplanetenentdeckungen hinzu.

Seitdem wurden insgesamt 5.496 Exoplaneten in 4.096 Systemen bestätigt, weitere 9.820 Kandidaten warten auf ihre Bestätigung. In den letzten Jahren hat sich der Prozess vom Entdeckungsprozess hin zur Charakterisierung verlagert, wo verbesserte Instrumente und Methoden es Astronomen ermöglicht haben, die Atmosphären von Exoplaneten direkt zu analysieren, um ihre potenzielle Bewohnbarkeit zu messen. Wie Prof. Matcheva gegenüber Universe Today per E-Mail erklärte:

„Die Instrumente werden immer besser: bessere spektrale Auflösung, außergewöhnlicher Signal-Rausch-Wert, breitere Wellenlängenabdeckung. Zusätzlich zum JWST, das einige außergewöhnliche spektroskopische Beobachtungen mehrerer Exoplaneten lieferte, plant die ESA ein spezielles Exoplaneten-Weltraumteleskop ARIEL.“ Das wird 1000 Planeten beobachten. Die Analyse dieser Daten wird die Wissenschaftler noch lange beschäftigen.“

Laut Matcheva sind die Bereiche Exoplanetenforschung und Astrobiologie aufgrund des enormen Potenzials unglaublich faszinierend. Derzeit beschäftigt sich das Fachgebiet vor allem mit der Einschränkung der „Bewohnbarkeit“ durch die gezielte Suche nach Biosignaturen: Beweisen für Leben und organische Prozesse.

Basierend auf der Erde, dem einzigen Planeten, von dem wir wissen, dass es Leben gibt, umfassen die am meisten gesuchten Biosignaturen Stickstoffgas (N2), Sauerstoffgas (O2), Kohlendioxid (CO2), Methan (CH4), Ammoniak (NH3). und Wasser (H2O).

Dies stellt den „Low-hanging-Fruit-Ansatz“ dar, bei dem Wissenschaftler nach Leben suchen, das den terrestrischen Standards entspricht. Das ist kein Zufall und auch kein fauler Ansatz. Das liegt einfach daran, dass es äußerst schwierig ist, nach Lebenszeichen zu suchen, die uns völlig unbekannt sind. Dies bietet aber auch die Gelegenheit, über die Möglichkeiten nachzudenken und das Spektrum unseres Wissens zu erweitern.

„Wissen wir, wonach wir suchen müssen?“ Matcheva fügte hinzu. „Wissen wir, wo wir suchen müssen? Würden wir es erkennen, wenn wir es sehen würden? Die Exoplaneten-Wissenschaftsgemeinschaft arbeitet immer mit diesen Fragen im Hinterkopf.“

Für ihre Studie untersuchten Matcheva und ihre Kollegen, wie maschinelles Lernen darauf trainiert werden kann, in Transitspektren nach „Anomalien“ zu suchen. Dies bezieht sich auf Lichtkurven, die durch die Beobachtung entfernter Sterne auf periodische Einbrüche in der Leuchtkraft erhalten wurden, was auf die Anwesenheit eines Planeten hinweisen könnte, der relativ zum Beobachter vor dem Stern vorbeizieht. Dies ist als Transitspektroskopie (oder Transitmethode) bekannt und nach wie vor die effektivste und am weitesten verbreitete Methode zur Erkennung von Exoplaneten. Zusätzlich zur Detektion ermöglicht diese Methode den Astronomen, gelegentlich Licht zu beobachten, das die Atmosphäre des Planeten durchdringt.

Wenn diese Beobachtungen mit einem Spektrometer gemessen werden, werden sie Daten über die chemische Zusammensetzung der Atmosphäre liefern, zu denen auch verräterische Biosignaturen gehören könnten. In den kommenden Jahren wird die Kombination aus Teleskopen der nächsten Generation und maschinellem Lernen (ML) es Astronomen ermöglichen, die potenzielle Bewohnbarkeit von Exoplaneten genauer zu bestimmen. „Wir glauben, dass ML-Methoden in der Astrophysik die Art und Weise, wie wir Daten in Bezug auf Geschwindigkeit, Volumen und Methodik verarbeiten, grundlegend verändern können“, sagte Matcheva. „Und das sehen wir in allen Bereichen der Wissenschaft.“

Für ihre Zwecke verwendeten Matcheva und ihr Team zwei beliebte Methoden des maschinellen Lernens zur Anomalieerkennung – Local Outlier Factor (LOF) und One-Class Support Vector Machine (OCSVM), um eine große öffentliche Datenbank synthetischer Spektren zu analysieren.

Diese Datenbank wurde vom ESA-ARIEL-Wissenschaftsteam im Vorfeld der Mission (deren Start für 2029 geplant ist) entwickelt und enthält mehr als 100.000 computergenerierte Spektrensignale von Exoplaneten. Das Team verwendete außerdem ROC-Kurven (Receiver Operating Characteristic), um die Leistung der beiden ML-Techniken zu quantifizieren und zu vergleichen. Der Prozess und die Ergebnisse waren, wie Matcheva berichtete, beide faszinierend:

„Die Spektren werden mit aktuellen Modellen berechnet, wobei davon ausgegangen wird, dass die Atmosphäre jedes Planeten eine Mischung aus fünf verschiedenen Gasen in unterschiedlichen Anteilen ist. Als Experiment haben wir einen der Absorber (zum Beispiel H2O) als „Mystery“-Absorber behandelt. Wir haben den ML-Algorithmus auf einer Teilmenge der Daten trainiert, die einen Mangel an H2O aufweist, und getestet, ob er Planeten mit Wasser korrekt als anomal kennzeichnet.“

„Wir haben das Experiment für vier der Gase wiederholt. Wir haben sowohl LOF als auch OCSVM verwendet. Beide Methoden leisteten hervorragende Arbeit bei der Suche nach den anomalen Planeten, wenn kein Rauschen oder nur sehr wenig Rauschen (~10 ppm) vorhanden ist, selbst bei sehr kleinen Mengen an.“ das „geheimnisvolle“ Gas. Es überrascht nicht, dass das ML-Modell anfängt, Fehler zu machen, wenn der Geräuschpegel zu stark ansteigt.“

Wie Matcheva angab, zeigte ihre Arbeit, dass LOF- und OCSVM-Methoden selbst bei Vorhandensein von Signalrauschen sehr robust sind. Diese Ergebnisse geben einen Vorgeschmack darauf, was in naher Zukunft möglich sein könnte, wenn buchstäblich Tausende von Exoplaneten mithilfe von ML-Methoden schnell und systematisch analysiert werden können, um anomale Planeten für Folgeuntersuchungen zu identifizieren. Diese Untersuchungen werden wahrscheinlich sehr lehrreich sein, da die spannendsten Entdeckungen häufig durch Widersprüche zwischen theoretischen Modellen und Beobachtungen gemacht werden.

„Obwohl die Suche nach Biosignaturen nicht das primäre Ziel dieser Arbeit war, ist es ein sehr interessantes Ergebnis und wir sind vom Potenzial der Methode sehr begeistert“, sagte Matcheva. „Die Suche nach Signaturen des Lebens im Universum ähnelt eher der Suche nach einer Nadel im Heuhaufen als nach einem rauchenden Beweis. Tatsächlich ist es noch schwieriger, weil wir nicht wissen, wie die Nadel aussieht. Die Methoden zur Entdeckung von Neuheiten sind genau darauf ausgelegt dafür: seltene Ereignisse [where] Wir wissen nicht, wie sie aussehen, riechen oder klingen.“

Wie bereits erwähnt, kann die Suche nach außerirdischem Leben – und tatsächlich die Suche nach außerirdischer Intelligenz (SETI) – als Suche nach Leben „wie wir es kennen“ zusammengefasst werden. Aber wenn Leben im Universum sehr selten oder von Natur aus sehr „exotisch“ ist (was bedeutet, dass es durch alle möglichen Chemikalien und Bedingungen entstehen kann), dann ist es sinnvoll, ein breiteres Netz auszuwerfen. Denn wenn unser Bezugsrahmen ein Hindernis für unsere astrobiologischen Bemühungen darstellt (das könnte man durchaus argumentieren), könnte seine Erweiterung den Unterschied zwischen der Suche nach Beweisen dafür, dass wir nicht allein sind, und dem Unbeantwortetlassen der Frage für eine andere Generation ausmachen. Matcheva sagte:

„Die Gemeinschaft der Astrobiologen arbeitet seit langem an einer Definition von ‚Leben‘, aber wir haben keine Ahnung, wie Außerirdische wirklich aussehen und wie sie mit ihrer Umgebung interagieren würden. Wir sind durch unsere menschliche Erfahrung und die aktuellen Strategien voreingenommen.“ besteht darin, nach Leben in der „bewohnbaren Zone“ zu suchen, die per Definition für Menschen (oder Leben auf der Erde) freundlich ist.“

„Wie sucht man also nach etwas, wenn man nicht weiß, wie es aussieht? Hier kommen die Techniken des maschinellen Lernens zur Neuheitserkennung ins Spiel – sie können Datenpunkte kennzeichnen, die mit den Trainingsdaten inkonsistent sind, also nicht mit ihnen übereinstimmen.“ die aktuellen theoretischen Modelle. In diesem Sinne ist unsere Methode also tatsächlich die Suche nach Leben, „wie wir es nicht kennen.“

Wie Isaac Asimov berühmt sagte: „Der aufregendste Satz, den man in der Wissenschaft hört und der neue Entdeckungen ankündigt, ist nicht ‚Eureka!‘ aber ‚Das ist lustig.‘“