Forscher der Universitäten Oxford und Radboud sowie von Google Cloud haben ein KI-System entwickelt, das astronomische Ereignisse von Bildartefakten unterscheiden kann. Das Modell Gemini 1.5 Pro erreichte dabei eine durchschnittliche Genauigkeit von 93 Prozent.
Funktionsweise des Systems
Das System analysiert Bildtriplets aus drei optischen Durchmusterungen: Pan-STARRS, MeerLICHT und ATLAS. Jedes Triplet besteht aus einem neuen Bild, einem Referenzbild und einer Differenzaufnahme mit 100×100 Pixeln. Ein roter Kreis markiert die Position der potenziellen Quelle.
Die KI prüft, ob die zentrale Struktur kreisförmig oder länglich ist, ob sie positiv oder negativ erscheint und ob sie ausgerichtet oder verschoben ist. Als Ergebnis liefert das System eine Klassifizierung (echtes Ereignis oder Artefakt), eine Beschreibung des Befunds und eine Prioritätsbewertung für Folgebeobachtungen.
Besonderheiten der Methode
Das Modell wurde nicht im herkömmlichen Sinne trainiert. Stattdessen erhielt es für jede Durchmusterung 15 annotierte Beispielbilder mit Expertenbeschreibungen. Diese dienten als Leitfaden innerhalb des Prompts, ohne die Parameter des Modells zu verändern.
Die Auswahl der Beispiele erfolgte durch Astronomen und umfasste typische echte Ereignisse sowie häufige Artefaktmuster. Tests zeigten, dass die Genauigkeit bei weniger als 15 Beispielen signifikant sank. Bei Pan-STARRS musste das System zusätzlich mit Artefakten durch Chipzwischenräume im 60-CCD-Detektor umgehen.
Die drei Durchmusterungen unterschieden sich in Teleskopgröße und Pixelmaßstab. Pan-STARRS nutzte ein 1,8-Meter-Teleskop mit 0,25 Bogensekunden pro Pixel, MeerLICHT ein 0,65-Meter-Instrument (0,56″/Pixel) und ATLAS ein 0,5-Meter-Teleskop (1,8″/Pixel).
Laut der in Nature Astronomy veröffentlichten Studie eignen sich aktuelle große Modelle noch nicht für den Echtzeitbetrieb bei Durchmusterungen mit Millionen von Alerts pro Nacht. Die Methode zeigt jedoch, wie vorhandene multimodale KI für spezialisierte astronomische Aufgaben adaptiert werden kann.
- Nature Astronomy (2025): „Few-shot classification of astronomical transients using multimodal foundation models“
- Daten: Pan-STARRS, MeerLICHT und ATLAS Surveys