Neuronales Netz steuert Teleskope effizienter als Menschen

Forschende der Northwestern University, der University of Chicago und des Fermi National Accelerator Laboratory haben ein Deep-Learning-System entwickelt und getestet, das den Zeitplan für astronomische Beobachtungen in Echtzeit berechnet und an Wetter und Mondphasen anpasst. Der Algorithmus wurde im Rahmen des Artificial Intelligence Institute for the Sky (SkAI) am 4-Meter-Victor-M.-Blanco-Teleskop am Cerro-Tololo-Observatorium in Chile eingesetzt. Bisher mussten die Bediener die Transparenz der Atmosphäre und das Mondlicht manuell berücksichtigen, um Überbelichtungen zu vermeiden; bei Fehlern konnte eine erneute Beobachtungssitzung aufgrund der Konkurrenz um Beobachtungszeiten um Monate verschoben werden. Statt klassischer Regeln nutzten die Entwickler Reinforcement Learning und trainierten das neuronale Netz mit Daten aus der Dark Energy Survey. Das Modell analysierte menschliche Handlungen und verglich sie mit archivierten Wetterdaten. In zwei Testläufen am DECam-Instrument zeigte der Algorithmus eine Effizienz, die mit der qualifizierter Wissenschaftler vergleichbar ist. Die Autoren planen, den Code so zu modifizieren, dass das System unkonventionelle Beobachtungspfade sucht, die Menschen aufgrund kognitiver Verzerrungen übersehen. Die Automatisierung verschafft Astronomen Zeit für die Analyse von Entdeckungen und hilft, die Ressourcen zukünftiger Observatorien, einschließlich des Vera-C.-Rubin-Observatoriums, effizient zu verteilen.