10.08.2021

Die Wissenschaftler Lukas Heppe (ML2R) und Mirko Bunse (Sonderforschungsbereich/SFB 876) haben den zweiten Platz in der Ariel Machine Learning Data Challenge auf der europäischen Fachkonferenz ECML PKDD 2021 belegt. Im Rahmen des Wettbewerbs entwickelten die Forschenden einen Deep-Learning-Ansatz, der genaue Vorhersagen zu den Radien extrasolarer Planeten ermöglicht. Im Anwendungsfeld der Astrophysik widmet sich das ML2R der maschinellen Analyse und Verarbeitung großer astrophysischer Datensätze.

Die Ariel Weltraummission der Europäischen Weltraumorganisation (ESA) wird ab dem Jahr 2028 die Atmosphären von 1000 extrasolaren Planeten (Exoplaneten) beobachten. Exoplaneten umkreisen Sterne außerhalb unseres Sonnensystems in hunderten Lichtjahren Entfernung. Im Rahmen der Ariel Machine Learning Data Challenge auf der europäischen Fachkonferenz ECML PKDD untersuchten Teilnehmende mit Verfahren des Maschinellen Lernens (ML) Lichtkurvendaten von „transitierenden Exoplaneten“ – also von Planeten, die in unserer Sichtlinie vor ihrem Wirtsstern vorbeiziehen.

Deep-Learning-Ansatz zur Analyse verrauschter Weltraumdaten

Ziehen Exoplaneten an einem Stern vorbei, so führt dies zu einer zeitlich begrenzten Abnahme der gemessenen Lichtmenge. Das Ausmaß dieser Abnahme ermöglicht Rückschlüsse auf Radius und Atmosphäre der Planeten. Jedoch führen auch die Oberflächenbeschaffenheit des Sterns und Signalverzerrungen der Messinstrumente Schwankungen in den Messdaten herbei. Dieses „Rauschen“ erschwert die Analyse der zugrunde liegenden Daten.

Das Forscherteam aus Lukas Heppe (ML2R) und Mirko Bunse (SFB 876) entwickelte im Rahmen der Ariel Machine Learning Data Challenge ein mehrstufiges Deep-Learning-Verfahren zur Analyse der stark verrauschten Zeitreihendaten. Mittels Datenvorverarbeitung bündelten sie hierbei Informationen des Datensatzes und des Rauschverhaltens. Diese Bündelung erlaubte es, neuronale Netze so effizient zu trainieren, dass ein Ensemble aus 45 einzelnen Netzen erzeugt werden konnte. Mit einem durchschnittlichen Vorhersagefehler von nur drei Prozent erreichte der entwickelte Ansatz den zweiten Platz der Challenge.

ML2R-Anwendungsfeld der Astrophysik

Im Anwendungsfeld der Astrophysik forschen Wissenschaftler*innen des ML2R zu maschinellen Lernmethoden, die interpretierbar sind und Hintergrundwissen berücksichtigen, um astrophysische Daten aufzubereiten und in Echtzeit zu analysieren. Sie verwenden hierzu große, nicht personengebundene Datensätze und erproben ML-Verfahren im konkreten Anwendungsfall. Erfahren Sie mehr zu unseren strategischen Anwendungsfeldern: Technologietransfer