Dybt inde i gamle Hubble-optagelser dukker pludselig mærkelige lyspletter, snoede galakser og uforklarlige mønstre op.
En kunstig intelligens så anderledes.
I årevis har Hubble-rumteleskopets rå billeder ligget pænt gemt i databaser, omhyggeligt beskrevet, men hovedsageligt betragtet gennem samme briller. Nu træder et nyt værktøj frem: algoritmer der ikke spørger hvad de skal lede efter, men hvad der ikke passer ind i billedet.
Sådan giver en algoritme gammelt Hubble-data nyt liv
Hubble har kredset om Jorden siden 1990 og har leveret millioner af optagelser i forskellige farver og fra forskellige retninger. Mange af disse billeder blev brugt til målrettede projekter: en bestemt galakse, en specifik supernova, en stjernehob. Resten forblev ofte i baggrunden, pænt arkiveret, sjældent genbesøgt.
Et internationalt hold af astronomer og dataforskere besluttede at tackle denne arv anderledes. De trænede et ai-system til at gennemgå hele arkivet, billede for billede. Uden liste over kendte objekter. Uden tjekliste for hvad der udgør en “flot” eller “interessant” optagelse.
Ai’en fik én opgave: markér alt der statistisk ikke ligner de kendte kosmiske mønstre i Hubble-databasen.
Gennem denne tilgang identificerede systemet mere end 1.300 bemærkelsesværdige objekter og strukturer. De var allerede til stede i dataene, nogle endda fotograferet flere gange, men aldrig fremhævet som særlige. Ikke fordi de var usynlige, men fordi ingen specifikt ledte efter dem.
Fra kendte mønstre til sjældne afvigelser
Kernen i metoden er såkaldt usuperviseret læring. Algoritmen får ingen label som “dette er en spiralgalakse” eller “dette er en linsefejl”. I stedet oversætter softwaren hvert billede til rene kendetegn:
- hvor lyse lyskilder er;
- hvordan strukturer fordeler sig rumligt;
- hvor skarpe overgange er;
- hvor symmetriske eller netop kaotiske former viser sig;
- hvordan støj og målefejl opfører sig.
Derefter bygger systemet gradvist et slags kort over hvad der forekommer normalt i Hubble-dataene: typiske stjernefelter, gængse former af galakser, kendte artefakter fra instrumenterne. Alt der falder uden for denne sky af standardtilfælde, dukker op som “anomali”. Ikke fordi det er mystisk, men fordi det er sjældent.
En anomali betyder ikke automatisk ny fysik. Det betyder: her afviger noget fra den kendte statistik og fortjener ekstra opmærksomhed.
Hvilke mærkelige objekter dukker der op?
De over 1.300 fundne tilfælde udgør ingen pæn kategori. Ai’en peger snarere på en broget samling af randtilfælde. Astronomer ser blandt andet:
- galakser med mærkelige, skæve eller ind i hinanden snoede former;
- lyskilder der synes at stå isoleret, uden tydelig galakse omkring sig;
- vage, udstrakte tågestrukturer der passer dårligt ind i standardmodeller;
- objekter der på forskellige tidspunkter ser ud til at skinne anderledes end forventet.
En del af dem kan i sidste ende vise sig at være en allerede kendt type objekt i en usædvanlig fase eller set fra en særlig synsvinkel. Tænk på sammensmelter galakser, kollider gasskyer eller lys der kraftigt forvrænges af tyngdekraftslinsning. Andre tilfælde virker sværere at placere og kræver ekstra opfølgende observationer med andre teleskoper.
Bemærkelsesværdigt er det, at ai’en også flere gange formåede at udpege samme kilde i forskellige Hubble-optagelser. Det tyder på, at nogle særlige objekter forblev “under radaren” i årevis fordi intet forskningsprogram havde præcis disse fænomener som hovedmål.
Ingen automatisk forklaring, men en radar for overraskelser
Forskerne understreger, at ai’en ikke er en kosmisk orakelmaskine. Systemet sætter ingen etiketter på, det laver ingen fysik. Det sætter blot markeringstusser i dataenes marginer.
Ai’en siger ikke: “dette er en ny type galakse”, men snarere: “kig her igen, dette ligner intet andet i arkivet”.
Derefter skubbes arbejdet tilbage til menneskelige hold. De sammenligner de mistænkelige objekter med observationer i andre bølgelængder, for eksempel i røntgenlys eller radio, og kobler den information til eksisterende teorier. I den proces falder nogle anomalier fra: en del viser sig forårsaget af instrumentelle effekter, fejl eller tilfældige opstillinger.
Den interessante del bliver tilbage: de sjældne kilder der selv efter grundig kontrol stadig ser mærkelige ud. De udgør råstoffet til nye hypoteser om hvordan galakser vokser, hvordan sorte huller opsluger materie eller hvordan materie fordeler sig på stor skala.
Hvorfor denne tilgang ændrer astronomien
Hubble-analysen kommer på et tidspunkt hvor teleskoper producerer data med hidtil uset hastighed. James Webb-rumteleskopet, den europæiske Euclid-mission og Vera C. Rubin Observatory i Chile vil levere datastrømme som intet hold kan gennemsøge manuelt.
Den traditionelle tilgang – først en teori, så en målrettet søgning – kommer der stadig hurtigere ud af balance. Der er simpelthen for meget billedmateriale. Ai-systemer der udvælger afvigelser i bulk, udgør derfor et nyt lag i det videnskabelige workflow.
| Kilde | Projekttype | Ai’s rolle |
|---|---|---|
| Hubble-arkiv | Tilbageblik på 30+ års billeder | Søger anomalier i eksisterende data |
| Euclid | Kort over mørkt stof og strukturer | Genkendelse af sjældne linsesystemer |
| Vera C. Rubin Observatory | Tidsvariabel himmel, hver nat på ny | Hurtig udvælgelse af uventede lysglimt |
Uden smart udvælgelse ville mange korte, uforudsigelige fænomener forsvinde fra billedet. Tænk på pludselige udbrud omkring sorte huller eller sjældne lignende eruptioner i fjerne galakser. Ai-systemer hjælper med at fiske disse korte signaler op mellem et hav af rutinebilleder.
Hubble-anomalierne viser, at selv “gamle” data stadig rummer plads til overraskelser, så længe søgestrategien ændres.
Risici, faldgruber og kontrolmekanismer
At arbejde med ai i astronomien medfører også risici. En algoritme der hovedsageligt er trænet på eksisterende data kan netop overse stærkt afvigende tilfælde. Eller den kan opfatte instrumentel støj som noget spektakulært. Derfor bygger teams bevidst kontroller ind:
- sammenligning med simuleringer for at se om en anomali også dukker op der;
- krydskontrol med andre teleskoper og andre bølgelængder;
- periodisk gentræning af modellerne med nye datasæt.
Derudover spiller gennemsigtighed en rolle. Forskere skal kunne efterspore hvorfor modellen markerer noget som afvigende. Det hjælper med at genkende systematiske fejl, såsom et sensorartefakt der altid sidder i et hjørne af billedet.
Hvad dette betyder for fremtidige opdagelser
Skridtet fra Hubble til ai-understøttet dataanalyse virker på flere fronter. For det første ændres forholdet mellem teori og observation. I stedet for kun at teste hvad vi allerede forventer, får himlen et slags “frit felt” hvor sjældne tilfælde spontant træder frem. Det kan gradvist tvinge os til at justere modeller.
For det andet ændres arkivernes rolle. Gamle datasæt betragtes mindre som afsluttede projekter og mere som permanente guldminer. Så snart der bliver bedre analyseværktøjer tilgængelige, kan et arkiv scannes igen. Det gælder ikke kun Hubble, men for eksempel også ældre røntgenteleskoper eller radiooptagelser fra store surveys.
For det tredje opstår nye specialiseringer. Ved siden af klassiske observationsastronomer og teoretikere arbejder nu data-astronomer der fokuserer på algoritmer, statistik og storskalasimuleringer. De udvikler metoder til at adskille ægte sjældne fænomener fra trivielle afvigelser.
Ekstra perspektiv: fra anomali til fysisk forståelse
Et interessant næste skridt ligger i at kombinere ai-udvælgelse med numeriske simuleringer af kosmiske strukturer. Ved at generere simuleringer og anvende samme anomaly-detektion på dem, kan forskere teste hvilke processer der fremkalder visse sjældne mønstre. Fremkommer de fundne former kun når der for eksempel finder stærke interaktioner sted mellem mørke stofhaloer? Eller når sorte huller vokser ekstremt hurtigt?
Også for studerende og amatører byder denne udvikling på muligheder. Mange af de markerede objekter bliver til sidst tilgængelige i offentlige kataloger. Dermed kan mindre forskergrupper sætte projekter i gang, for eksempel omkring en specifik type mærkelige galakser. Den der er habil til programmering, kan endda bygge egne varianter af anomaly-detektorer og dermed bidrage til nye fund.
De over 1.300 mærkelige tilfælde i Hubble-arkiverne udgør altså ikke et slutpunkt, men snarere en startstreg. De viser hvor anderledes himlen ser ud når en algoritme først skraber alle kendte mønstre væk og kun lader resten blive tilbage. Netop i den rest ligger ofte næste skridt i vores forståelse af kosmos.
