Claude Science von Anthropic hat die erste vollständige Ultraviolettkarte des gesamten Himmels erstellt, ein Meilenstein, der vom Johns Hopkins-Astrophysiker Brice Ménard beschrieben wurde, der das Projekt leitete und den Prozess auf der Website von Anthropic detailliert beschrieben hat. Die von The Decoder berichtete Anstrengung zeigt, wie koordinierte KI-Agenten die mühsame Datenarbeit übernehmen können, zu der Forschungsteams sonst nie kommen würden.
Die Karte füllt jahrzehntelange Lücken früherer Weltraummissionen und kombiniert Archivbeobachtungen mit modellgenerierten Rekonstruktionen von Regionen, die noch kein Teleskop vollständig abgedeckt hat. Es ist eines der bislang konkretesten Beispiele dafür, wie KI von Chatbots und Codierungsassistenten in die tägliche Maschinerie der wissenschaftlichen Forschung vordringt – ein Thema, das sich durch einen Großteil der heutigen [KI-Forschungsberichterstattung] zieht (https://aibuzzwire.news).
Warum es nie eine vollständige UV-Karte gab
Ultraviolettes Licht ist vom Boden aus unsichtbar. Die Ozonschicht blockiert es, was bedeutet, dass UV-Astronomie nur vom Weltraum aus möglich ist. Die GALEX-Mission der NASA, die von 2003 bis 2013 den Himmel im ultravioletten Bereich untersuchte, schaffte es, etwa zwei Drittel des Himmels abzudecken, übersprang jedoch helle Sternentstehungsregionen, in denen das Licht so intensiv ist, dass es Detektoren beschädigen oder Beobachtungen sättigen kann.
Dadurch blieb etwa ein Drittel des Himmels ohne UV-Bedeckung – einschließlich einiger der wissenschaftlich interessantesten Umgebungen, dicht mit jungen Sternen und aktiver Sternentstehung. Seit mehr als einem Jahrzehnt müssen sich Astronomen, die mit UV-Daten arbeiten, mit diesen Löchern auseinandersetzen, indem sie Teilansichten zusammenfügen oder die fehlenden Regionen in ihren Analysen einfach meiden.
Wie KI-Agenten die Karte zusammengestellt haben
Claude Science koordiniert Teams von KI-Agenten, die Daten von mehreren Weltraummissionen heruntergeladen, kalibriert und zu einer einzigen konsistenten Karte zusammengeführt haben. Wo Beobachtungen fehlten, nutzte das System Inpainting – eine Technik, bei der ein Modell aus vorhandenen Daten lernt, um die Lücken zu rekonstruieren.
Die Ergebnisse wurden anhand realer Messungen validiert: In Tests wichen die Vorhersagen des Modells im Durchschnitt um etwa 10 Prozent von den tatsächlichen Werten ab, so Ménards Beschreibung des Projekts. Diese Fehlerquote ist wichtig – sie macht den Unterschied zwischen einem wissenschaftlich nutzbaren Produkt und einem schönen Bild aus – und sie legt nahe, dass die Rekonstruktionen nah genug sind, um explorative Arbeiten zu unterstützen, auch wenn sie kein Ersatz für die direkte Beobachtung sind.
UV-Licht zeigt durch Sternenlicht beleuchteten Staub, einschließlich Strukturen wie Wolken um junge Sterne und Ringe, die durch Sternexplosionen zurückgeblieben sind. Da nun der gesamte Himmel abgedeckt ist, können Forscher die Merkmale in Regionen untersuchen, die zuvor blinde Flecken waren.
Der Ansatz der Agentenkoordination ist ebenso bemerkenswert wie das Ergebnis. Anstatt Fragen durch ein einzelnes Modell zu beantworten, zerlegte das System das Projekt in Aufgaben – Missionsarchive lokalisieren, Daten abrufen, Kalibrierung überprüfen, Projektionen ausrichten, überlappende Umfragen zusammenführen, Lücken identifizieren – und ordnete sie spezialisierten Agenten zu, die die Pipeline durcharbeiteten. Humanwissenschaftler legen die Anforderungen fest und validieren die Ergebnisse; Die Agenten erledigten die Montagearbeiten, die andernfalls das Jahrzehnt eines Doktoranden in Anspruch genommen hätten.
Ein Lehrmittel und eine Vorlage
Ménard sagte, die Karte solle als Lehrmaterial dienen und Schülern und Forschern erstmals einen vollständigen Überblick über den ultravioletten Himmel geben. Aber die größere Auswirkung könnte der Arbeitsablauf selbst sein.
Er vermutet, dass viele Wissenschaftler ähnliche Projekte aufgeschoben haben – große, unrühmliche Datenintegrationsbemühungen, die KI jetzt ermöglichen könnte. Archive früherer Weltraummissionen sind voll von Daten, die nie vollständig genutzt wurden, nicht weil sie keinen Wert hätten, sondern weil das Bereinigen, Kalibrieren und Zusammenführen ein Forschungsteam Jahre harter Arbeit erfordern würde. Agentenbasierte Systeme wie Claude Science verändern diese Ökonomie: Die Koordination und Datenverarbeitung, die einst eine Karriere in Anspruch nahm, kann in einem Projekt stattfinden.
Es liegt auch eine leise Ironie in der Quelle der Lücken. GALEX hat die hellsten Sternentstehungsregionen ausgelassen, gerade weil sie zu den wertvollsten Zielen gehören – den Motoren der neuen Sternentstehung, die Astronomen am meisten im ultravioletten Licht untersuchen wollen. Bei einer Mission, bei der es um den Schutz von Instrumenten ging, blieben die interessantesten Stadtteile am Ende unkartiert, und erst jetzt, mit der KI-gestützten Rekonstruktion, wird dieser blinde Fleck geschlossen.
Die Vorbehalte
Bei den eingezeichneten Regionen handelt es sich um Vorhersagen, nicht um Messungen. Etwa ein Drittel dieser Karte existiert, weil ein Modell anhand der umgebenden Daten und Muster, die aus den abgedeckten Regionen gelernt wurden, abgeleitet hat, wie der UV-Himmel aussehen sollte. Die durchschnittliche Abweichung von 10 Prozent ist ein Gesamtwert; Bestimmte Strukturen – ein schwacher Ring um einen Sternrest, der Rand einer Staubwolke – könnten weniger zuverlässig sein, als die Gesamtstatistik der Karte vermuten lässt.
Das ist keine Entlassung. Jedes Rekonstruktionsprojekt in der Astronomie steht vor dem gleichen Kompromiss, und das Anthropic-Projekt macht transparent, welche Regionen abgeleitet wurden. Forscher, die die Karte zitieren, müssen jedoch zwischen beobachteten und rekonstruierten Gebieten unterscheiden, insbesondere bei schwachen oder ungewöhnlichen Quellen.
Das Projekt signalisiert auch den umfassenderen Vorstoß von Anthropic, seine Modelle in wissenschaftliche Arbeitsabläufe zu integrieren, von der Himmelskarte bis zum Schwachstellenscan für Open-Source-Software, das diese Woche angekündigt wurde. Für die Astronomie-Community ist die unmittelbare Schlussfolgerung einfacher: Ein Datensatz, der jetzt nicht existierte, existiert jetzt, und die Werkzeuge, mit denen er erstellt wurde, können als Nächstes für andere Missionen eingesetzt werden.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →
