Eine Kandidatenausbeute, die die Exoplanetenforschung neu ordnen könnte
Astronomen haben womöglich einen der größten jemals auf einmal gemeldeten Bestände an möglichen Exoplaneten identifiziert. Laut einem neuen Preprint, das in dem bereitgestellten Quellmaterial beschrieben wird, fanden Forschende 11.554 Exoplaneten-Kandidaten, indem sie einen Machine-Learning-Algorithmus auf Lichtkurven von 83.717.159 Sternen anwandten, die vom Transiting Exoplanet Survey Satellite der NASA, kurz TESS, beobachtet wurden.
Wenn diese Kandidaten bestätigt werden, würde das einen außergewöhnlichen Sprung bei der Zahl der bekannten Welten jenseits des Sonnensystems markieren. Der Quelltext weist darauf hin, dass bis September 2025 mehr als 6.000 Exoplaneten bestätigt waren und seitdem fast 300 hinzugekommen sind. Eine validierte Ausbeute in dieser Größenordnung würde die Gesamtzahl in Richtung 18.000 treiben und den derzeitigen Wert fast verdreifachen.
Genau diese Schlagzeilenzahl ist der Grund, warum die Ankündigung sowohl Aufmerksamkeit als auch Vorsicht verdient. Die gemeldeten Kandidaten sind noch keine bestätigten Planeten, und die Studie wurde noch nicht peer-reviewed. Dennoch zeigt die Arbeit schon auf Kandidatenstufe, wie viel Entdeckungspotenzial noch in den vorhandenen astronomischen Daten verborgen ist.
Warum so viele Welten übersehen worden sein könnten
Die Grundmethode hinter der Suche ist Exoplanetenforschern vertraut. TESS beobachtet Sterne auf winzige Helligkeitsabfälle, die auftreten können, wenn ein Planet aus Sicht der Erde vor seinem Wirtsstern vorbeizieht. Solche Ereignisse werden Transits genannt. Die Herausforderung ist der Maßstab. Wenn der Datenbestand in die Zehnmillionen von Sternen geht, wird die Zahl schwacher, verrauschter und mehrdeutiger Signale zu groß, als dass traditionelle Workflows sie effizient prüfen könnten.
Hier scheint der neue Algorithmus seinen größten Beitrag geleistet zu haben. Indem er mehr als 80 Millionen Sterne durchsuchte, soll er subtile Signaturen markiert haben, die sonst praktisch unmöglich zu erfassen gewesen wären. Das erinnert daran, dass Entdeckungen in der Astronomie nicht mehr nur vom Bau größerer Teleskope abhängen. Sie hängen auch davon ab, mehr Signal aus den Daten herauszuholen, die Teleskope bereits sammeln.
TESS, 2018 gestartet, eignet sich besonders gut für diese Art groß angelegter Auswertung, weil das Instrument ein enormes Archiv wiederholter Sternbeobachtungen erzeugt hat. Jede Lichtkurve ist ein Protokoll der Helligkeitsänderung im Zeitverlauf. Versteckt in diesen Kurven können die regelmäßigen Einbrüche durch umlaufende Planeten liegen, aber auch Rauschen durch Sternaktivität, Instrumentierung und andere astrophysikalische Effekte. Machine Learning bietet einen Weg, diese Komplexität in großem Maßstab zu durchdringen.
