Neue Exoplaneten durch KI-Analyse im TESS-Datenarchiv entdeckt

Die Astronomie erlebt durch den Einsatz Künstlicher Intelligenz (KI) eine transformative Phase. Jüngste Berichte unterstreichen dies eindrucksvoll: Ein speziell entwickeltes KI-System mit dem Namen "Raven" hat in archivierten Datensätzen des NASA-Weltraumteleskops TESS über 100 bislang unbekannte Exoplaneten entdeckt. Diese Entwicklung markiert einen signifikanten Fortschritt in der Suche nach extrasolaren Welten und verdeutlicht das immense Potenzial von KI in der wissenschaftlichen Forschung.

Revolutionäre Entdeckungen durch KI

Die Entdeckung von mehr als 100 neuen Exoplaneten ist das Ergebnis einer umfassenden Analyse von Daten, die das Transiting Exoplanet Survey Satellite (TESS) in den ersten vier Jahren seiner Mission gesammelt hat. TESS hat in diesem Zeitraum über 2,2 Millionen Sterne beobachtet. Die Identifizierung von Exoplaneten basiert auf der Transitmethode, bei der minimale Helligkeitsschwankungen eines Sterns registriert werden, die durch einen vorüberziehenden Planeten verursacht werden. Die Herausforderung besteht darin, diese winzigen und oft komplexen Signale von anderen astronomischen Ereignissen zu unterscheiden, die ähnliche Effekte hervorrufen können, wie beispielsweise ein zweiter Stern in einem binären System.

Die Rolle von Raven: Präzision durch maschinelles Lernen

Das von Forschenden der britischen University of Warwick entwickelte KI-System Raven wurde darauf trainiert, genau diese komplexen Muster zu erkennen. Es erhielt einen umfangreichen Datensatz, der Hunderttausende simulierte Planetensignale sowie astrophysikalische Phänomene enthielt, die fälschlicherweise als Planeten gedeutet werden könnten. Diese Trainingsphase ermöglichte es Raven, selbst unvollständige oder schwache Signale zu interpretieren und somit Planeten zu identifizieren, die menschlichen Beobachtern oder herkömmlichen Algorithmen möglicherweise entgangen wären. Andreas Hadjigeorghiou, einer der Entwickler von Raven, hebt hervor, dass die KI in der Lage ist, die Ursache von Verdunkelungen präzise zu bestimmen, sei es ein Planet oder ein anderes Himmelsobjekt.

Neben den über 100 bestätigten neuen Exoplaneten hat Raven weitere 2.000 Kandidaten identifiziert. Diese Kandidaten erfordern noch weitere Beobachtungen zur Bestätigung, könnten aber die Gesamtzahl bekannter Exoplaneten erheblich erweitern. Die Fähigkeit der KI, riesige Datensätze konsistent und objektiv zu analysieren, stellt einen Paradigmenwechsel dar. Forschungsleiter David Armstrong betont, dass die Ergebnisse von Raven zuverlässig genug sind, um als Grundlage für die Erfassung der Häufigkeit verschiedener Planetentypen um sonnenähnliche Sterne zu dienen. Eine erste Auswertung der Daten bestätigt frühere Ergebnisse des Kepler-Teleskops, wonach etwa zehn Prozent der sonnenähnlichen Sterne einen Planeten in einem sehr engen Orbit umkreisen.

Grenzen der aktuellen Beobachtungsmethoden und zukünftige Perspektiven

Obwohl TESS eine Fülle von Daten geliefert hat, ist die Beobachtungsmethode des Teleskops nicht ohne Einschränkungen. Insbesondere in den frühen Missionsphasen konnten hauptsächlich Planeten sicher identifiziert werden, die ihre Sterne in sehr engen Umlaufbahnen von zehn bis 20 Tagen umkreisen. Zum Vergleich: Der Merkur, der sonnennächste Planet unseres Sonnensystems, hat eine Umlaufzeit von 88 Tagen. Um einen Planeten zuverlässig zu bestätigen, sind in der Regel zwei oder drei Transits erforderlich. Dies bedeutet, dass erdähnliche Planeten mit längeren Umlaufzeiten in den ursprünglichen, auf 27 Tage begrenzten Beobachtungsfenstern von TESS nur schwer zu erkennen waren.

Die erweiterte Phase der TESS-Mission hat zwar durch überlappende und wiederholte Messungen in einigen Himmelsregionen die Beobachtung längerer Umlaufzeiten ermöglicht, wodurch theoretisch auch erdähnliche Orbits erkennbar werden. Dennoch bleiben viele potenziell bewohnbare Planeten aufgrund der methodischen Grenzen weiterhin "unsichtbar" für TESS.

Die Mission Plato als nächster Schritt

Um diese Lücke zu schließen, wird voraussichtlich im Jahr 2026 die Mission Plato (PLAnetary Transits and Oscillations of stars) der Europäischen Weltraumorganisation (ESA) starten. Plato ist darauf ausgelegt, Langzeitbeobachtungen von jeweils zwei Jahren durchzuführen. Ziel ist es, Planeten mit Umlaufzeiten von bis zu etwa einem Jahr zu entdecken, was die Suche nach "Zwillingen der Erde" erheblich verbessern könnte. Diese Mission wird voraussichtlich eine neue Ära in der Exoplanetenforschung einläuten und das Verständnis für die Vielfalt und Verteilung von Planeten in unserer Galaxie weiter vertiefen.

KI als Katalysator in der Astronomie

Die Anwendung von KI-Systemen wie Raven ist ein hervorragendes Beispiel dafür, wie maschinelles Lernen die wissenschaftliche Forschung beschleunigen und vertiefen kann. Wo menschliche Analysten Jahre bräuchten, um riesige Datenmengen zu sichten, kann KI in Tagen oder Wochen Muster und Anomalien identifizieren. Dies entlastet Forschende von repetitiven Aufgaben und ermöglicht es ihnen, sich auf die Interpretation und Validierung der Ergebnisse zu konzentrieren. Die Präzision und Objektivität von KI-Algorithmen tragen dazu bei, die Qualität der Datenanalyse zu verbessern und neue Erkenntnisse zu gewinnen, die sonst verborgen geblieben wären. Die Integration von KI in die astronomische Datenanalyse wird in Zukunft eine immer wichtigere Rolle spielen, insbesondere angesichts der exponentiell wachsenden Datenmengen aus neuen Teleskopen und Weltraummissionen.

Bedeutung für die B2B-Zielgruppe

Für unsere B2B-Zielgruppe, insbesondere in den Bereichen Datenanalyse, maschinelles Lernen und High-Performance Computing, verdeutlicht dieser Fall die transformative Kraft von KI. Die Fähigkeit, komplexe, unstrukturierte oder schlichtweg riesige Datensätze effizient und präzise zu verarbeiten, ist nicht nur in der Astroforschung, sondern in nahezu jeder Branche von entscheidender Bedeutung. Unternehmen, die in der Lage sind, ähnliche KI-gestützte Analysetools zu implementieren, können erhebliche Wettbewerbsvorteile erzielen, sei es in der Produktentwicklung, der Marktanalyse oder der Optimierung von Geschäftsprozessen. Die hier demonstrierte Skalierbarkeit und Genauigkeit der KI-Anwendungen bietet ein Modell für innovative Lösungsansätze in vielfältigen Geschäftsfeldern.

Bibliography

Brien, J. (2026, 26. März). Raven: KI-System entdeckt über 100 neue Exoplaneten in alten Nasa-Daten. t3n.de. Abgerufen von https://t3n.de/news/raven-ki-exoplaneten-nasa-daten-1735949/

Eder, W. (2026, 26. März). Automatisierte Suche - Mit KI über 100 unbekannte Exoplaneten entdeckt. krone.at. Abgerufen von https://www.krone.at/4089811

Holland, M. (2025, 19. September). NASA: Mehr als 6000 Exoplaneten bestätigt, über 8000 Kandidaten. heise online. Abgerufen von https://www.heise.de/news/NASA-Mehr-als-6000-Exoplaneten-bestaetigt-ueber-8000-Kandidaten-10662709.html

Lea, R. (2026, 25. März). 100 new alien worlds: Scientists find hidden haul in data from NASA exoplanet-hunting spacecraft. Space.com. Abgerufen von https://www.space.com/astronomy/exoplanets/100-new-alien-worlds-scientists-find-hidden-haul-in-data-from-nasa-exoplanet-hunting-spacecraft

Raumfahrer.net Redaktion. (2026, 27. Januar). NASA KI, welche 370 Exoplaneten aufgespürt hat, untersucht nun TESS Daten. Raumfahrer.net. Abgerufen von https://www.raumfahrer.net/nasa-ki-welche-370-exoplaneten-aufgespuert-hat-untersucht-nun-tess-daten/

Speicher, C. (2021, 1. Dezember). KI: Lernfähige Maschine validiert 301 Exoplaneten. NZZ.ch. Abgerufen von https://nzz.ch/wissenschaft/ki-lernfaehige-maschine-validiert-301-exoplaneten-ld.1657826

Weßel, G. (2026, 11. Februar). Schatz aus Hubble-Archivdaten gehoben: Eine KI findet in Tagen, wofür Menschen Jahre bräuchten – und das ist erst der Anfang. GameStar.de. Abgerufen von https://www.gamestar.de/artikel/hubble-archiv-ki-auswertung-daten-funde,3447427.html