Blog

Jul 03, 2023

Möchten Sie UFOs finden? Das ist eine Aufgabe für maschinelles Lernen

Im Jahr 2017 erhaschte die Menschheit zum ersten Mal einen Blick auf ein interstellares Objekt (ISO), bekannt als 1I/'Oumuamua, das unseren Planeten auf seinem Weg aus dem Sonnensystem umkreiste. Es gibt viele Spekulationen darüber, was dieses Objekt ist

Im Jahr 2017 erhaschte die Menschheit zum ersten Mal einen Blick auf ein interstellares Objekt (ISO), bekannt als 1I/'Oumuamua, das unseren Planeten auf seinem Weg aus dem Sonnensystem umkreiste. Es gibt zahlreiche Spekulationen darüber, was dieses Objekt sein könnte, denn anhand der begrenzten gesammelten Daten war klar, dass es mit nichts zu vergleichen war, was Astronomen jemals gesehen hatten. Eine umstrittene Vermutung war, dass es sich möglicherweise um eine außerirdische Sonde (oder ein Teil eines verlassenen Raumschiffs) handelte, die durch unser System flog. Die öffentliche Faszination für die Möglichkeit „außerirdischer Besucher“ wurde im Jahr 2021 auch durch die Veröffentlichung des UFO-Berichts des ODNI verstärkt.

Dieser Schritt machte die Untersuchung nicht identifizierter Luftphänomene (Unidentified Aerial Phenomena, UAP) zu einer wissenschaftlichen Angelegenheit und nicht zu einer geheimen Angelegenheit, die von Regierungsbehörden überwacht wurde. Mit einem Blick auf den Himmel und dem anderen auf orbitalen Objekten schlagen Wissenschaftler vor, wie jüngste Fortschritte in den Bereichen Computer, KI und Instrumentierung genutzt werden können, um bei der Erkennung möglicher „Besucher“ zu helfen. Dazu gehört eine aktuelle Studie eines Teams der University of Strathclyde, die vorschlägt, wie hyperspektrale Bildgebung gepaart mit maschinellem Lernen zu einer fortschrittlichen Datenpipeline zur Charakterisierung von UAP führen könnte.

Das Team wurde von Massimiliano Vasile, Professor für Maschinenbau und Luft- und Raumfahrttechnik, geleitet und bestand aus Forschern der Fakultäten für Maschinenbau, Luft- und Raumfahrttechnik sowie Elektronik und Elektrotechnik der University of Strathclyde und des Fraunhofer Centre for Applied Photonics in Glasgow. Ein Vorabdruck ihrer Arbeit mit dem Titel „Space Object Identification and Classification from Hyperspectral Material Analysis“ ist kürzlich online erschienen und wird zur Veröffentlichung in Nature Scientific Reports geprüft.

Entfernen Sie noch heute alle Anzeigen auf Universe

Treten Sie unserem Patreon für nur 3 $ bei!

Holen Sie sich das werbefreie Erlebnis fürs Leben

Diese Studie ist die neueste in einer Reihe, die sich mit Anwendungen der hyperspektralen Bildgebung für Aktivitäten im Weltraum befasst. Der erste Artikel mit dem Titel „Intelligente Charakterisierung von Weltraumobjekten mit hyperspektraler Bildgebung“ erschien im Februar 2023 in Acta Astronautica und war Teil des Hyperspectral Imager for Space Surveillance and Tracking (HyperSST)-Projekts. Dies war eines von dreizehn Konzepten zur Trümmerminderung, die letztes Jahr von der britischen Weltraumbehörde (UKSA) zur Finanzierung ausgewählt wurden, und ist der Vorläufer des Hyperspectral Space Debris Classification (HyperClass)-Projekts der ESA.

In ihrem neuesten Artikel wurde untersucht, wie dieselbe Bildgebungstechnik im wachsenden Bereich der UAP-Identifizierung eingesetzt werden könnte. Bei diesem Prozess werden Daten aus dem gesamten elektromagnetischen Spektrum einzelner Pixel gesammelt und verarbeitet, typischerweise um verschiedene in Bildern erfasste Objekte oder Materialien zu identifizieren. Wie Vasile gegenüber Universe Today per E-Mail erklärte, hat hyperspektrale Bildgebung gepaart mit maschinellem Lernen das Potenzial, die Suche nach möglichen Technosignaturen einzugrenzen, indem Fehlalarme eliminiert werden, die durch von Menschenhand geschaffene Trümmerobjekte (verbrauchte Stufen, nicht mehr funktionierende Satelliten usw.) verursacht werden:

„Wenn es sich bei UAP um Weltraumobjekte handelt, können wir durch die Analyse der Spektren die Materialzusammensetzung selbst aus einem einzelnen Pixel verstehen. Wir können die Lagebewegung auch verstehen, indem wir die zeitliche Variation der Spektren analysieren. Beide Dinge sind sehr wichtig, da wir Objekte anhand ihrer spektralen Signatur identifizieren und ihre Bewegung mit minimalen optischen Anforderungen verstehen können.“

Vasile und seine Kollegen schlagen die Schaffung einer Datenverarbeitungspipeline zur Verarbeitung von UAP-Bildern mithilfe von Algorithmen für maschinelles Lernen vor. In einem ersten Schritt erklärten sie, wie für die Pipeline ein Datensatz mit Zeitreihenspektren von Weltraumobjekten benötigt wird, darunter Satelliten und andere Objekte im Orbit. Dazu gehören Trümmerobjekte, was die Einbeziehung von Daten des Orbital Debris Program Office (ODPO) der NASA, des Space Debris Office der ESA und anderer nationaler und internationaler Einrichtungen bedeutet. Dieser Datensatz muss vielfältig sein und Umlaufszenarien, Flugbahnen, Beleuchtungsbedingungen sowie genaue Daten zur Geometrie, Materialverteilung und Lagebewegung aller umlaufenden Objekte zu jedem Zeitpunkt umfassen.

Kurz gesagt, Wissenschaftler würden zum Vergleich eine robuste Datenbank aller von Menschenhand geschaffenen Objekte im Weltraum benötigen, um Fehlalarme auszuschließen. Da viele dieser Daten nicht verfügbar sind, haben Vasile und sein Team eine Simulationssoftware für numerische Physik entwickelt, um Trainingsdaten für die Modelle des maschinellen Lernens zu erstellen. Der nächste Schritt umfasste einen zweigleisigen Ansatz, um ein Spektrum mit einer Reihe von Materialien zu verknüpfen, die es erzeugen. Einer basierte auf maschinellem Lernen und der andere basierte auf einer traditionelleren mathematischen Regressionsanalyse, die zur Bestimmung der besten Anpassungslinie für einen Datensatz verwendet wurde ( auch bekannt als Methode der kleinsten Quadrate).

Anschließend verwendeten sie ein auf maschinellem Lernen basierendes Klassifizierungssystem, um die Wahrscheinlichkeit der Erkennung einer Materialkombination einer bestimmten Klasse zuzuordnen. Nach Fertigstellung der Pipeline, sagte Vasile, bestehe der nächste Schritt darin, eine Reihe von Tests durchzuführen, die ermutigende Daten lieferten:

„Wir haben drei Tests durchgeführt: einen in einem Labor mit einem Modell eines Satelliten aus bekannten Materialien. Diese Tests waren sehr positiv. Dann haben wir einen High-Fidelity-Simulator entwickelt, um die reale Beobachtung von Objekten im Orbit zu simulieren. Die Tests waren positiv und wir haben viel gelernt. Schließlich nutzten wir ein Teleskop und beobachteten eine Reihe von Satelliten und die Raumstation. In diesem Fall waren einige Tests gut, andere weniger gut, da unsere Materialdatenbank derzeit eher klein ist.“

In ihrem nächsten Artikel werden Vasile und seine Kollegen den Teil ihrer Pipeline zur Einstellungsrekonstruktion vorstellen, den sie hoffentlich auf dem kommenden AIAA Science and Technology Forum and Exposition (2024 SciTech) vom 8. bis 12. Januar in Orlando, Florida, vorstellen möchten.

Weiterführende Literatur: arXiv