Bern – Die Geburtsstätte von Planeten sind sogenannte protoplanetare Scheiben, ringförmige Ansammlungen von Staub und Gas um junge Sterne. Wie genau es zur Entstehung der ersten Planetenkeime kommt, ist noch immer nicht im Detail geklärt. Ob aus den anfänglichen planetaren Kernen schließlich Gesteinsplaneten wie die Erde oder Gasriesen wie der Jupiter heranwachsen, hängt unter anderem von den Eigenschaften des Ausgangsmaterials, dem Druck und der Temperatur in der zirkumstellaren Scheibe ab.

Um den Wachstumsprozess und die innere Struktur von Planeten zu simulieren, mussten Astronomen bisher eine Reihe von komplexen Differenzialgleichungen lösen – ein zeitraubender Prozess. Nun haben Berner Wissenschafter eine neue Methode vorgestellt, die diese Berechnungen drastisch beschleunigt und auf die Hilfe von künstlicher Intelligenz setzt.

DeepLearning mithilfe umfangreicher Datenbanken

Der Ansatz von Yann Alibert von der Universität Bern und Julia Venturini vom International Space Science Institute in Bern beruht auf "DeepLearning", einer KI-Variante, die beispielsweise auch bei der Bilderkennung oder automatischen Übersetzungen eingesetzt wird. Die Forscher erstellten dafür eine Datenbank mit Millionen von möglichen inneren Strukturen von Planeten. Anschließend fütterten sie damit ein Neuronales Netzwerk, einen Satz von Algorithmen, der Eingabedaten durch mathematische Operationen leitet und der die Fähigkeit hat, zu lernen, ohne explizit programmiert zu sein.

Dank des Trainings anhand der Datenbank lernte das Neuronale Netzwerk, zuvor zeitraubende Berechnungen deutlich zu verkürzen: "Jetzt kann unser Netzwerk die Masse eines Planeten, der unter bestimmten Bedingungen entstanden ist, mit einer sehr guten Genauigkeit vorhersagen, und dies viel schneller, als wenn man die Differentialgleichungen lösen muss.", erklärte Alibert.

Schnell und präzise

Der Deep-Learning-Prozess ist viel präziser als bisher entwickelte Methoden, bei denen einige analytische Formeln das Lösen von Differentialgleichungen ersetzten. Diese analytischen Formeln prognostizieren zum Teil, dass ein Planet bis zur Masse des Jupiters wachsen soll, während er in Wirklichkeit nicht mehr Masse als Neptun haben kann. "Wir zeigen, dass unsere neuronalen Netze eine sehr gute Näherung im Prozentbereich liefern", fasst Alibert zusammen.

Die Wissenschafter veröffentlichten ihre Methode im Fachblatt "Astronomy and Astrophysics" vorstellen und stellen ihre Ergebnisse auf der Softwareentwicklungsplattform GitHub zur Verfügung, damit Kollegen, die weltweit auf dem Gebiet der Planetenentstehung arbeiten, davon profitieren können. (red, APA, 16.3.2019)