Warum schnelle Analysemethoden nötig waren
Es ging um ungefähr 200 Milliarden individuellen Messungen und Detektionen, für Menschen praktisch unmöglich, das alles manuell durchzugehen. Klassische Verfahren waren zu langsam, weshalb die Verarbeitung der Daten für die nötigen Analysen schwierig wurde. Im Sommer 2023 nahm Paz am Summer Research Connection Programm des California Institute of Technology (Caltech) teil und nutzte die Chance.
Paz, Schüler der Pasadena High School, interessierte sich schon früh für Astronomie und besuchte seit der Grundschule öffentliche Vorträge am Caltech. Aus dieser Leidenschaft heraus lernte er Machine Learning einzusetzen und entwickelte schließlich das Modell VARnet, das so effizient ist, dass es jede Quelle in weniger als 53 Mikrosekunden verarbeiten kann.
Wie VARnet arbeitet: Technik und Ergebnisse
VARnet arbeitet in drei Schritten: eine Wavelet-Dekomposition zur Reduzierung von Fehlmessungen, eine modifizierte diskrete Fourier-Transformation zur Extraktion periodischer Merkmale und ein Convolutional Neural Network zur Klassifizierung. Mit dieser Architektur lassen sich Quellen in Kategorien wie nicht veränderlich, transiente Ereignisse, intrinsische Pulsatoren und verfinsternde Doppelsternsysteme einordnen.
Das Ergebnis: 1,5 Millionen potenzielle veränderliche Objekte wurden aus den NEOWISE-Daten herausgefiltert. Dabei handelt es sich um Kandidaten, die weitere Beobachtungen und Klassifikationen durch Astronomen brauchen, bevor sie endgültig bestätigt werden können.
Auf persönlicher Ebene erhielt Paz dafür Anerkennung: Er gewann den ersten Platz beim Regeneron Science Talent Search und ein Preisgeld von 230.000 €.
Mentoren, Team und künftige Einsatzmöglichkeiten
Sein Mentor war Davy Kirkpatrick, Senior-Forscher am Infrared Processing and Analysis Center (IPAC) von Caltech. Kirkpatrick legt viel Wert darauf, junge Talente zu fördern; wie er sagt: „Wenn ich ihr Potenzial sehe, möchte ich sicherstellen, dass sie es ausschöpfen.“ Durch das Summer Research Connection Programm zeigte sich, dass Paz nicht nur Talent hat, sondern auch die Ambition, die Wissenschaft mit Machine Learning voranzubringen.
Paz betont außerdem, dass sein Modell nicht nur in der Astronomie nützlich ist, sondern auch für andere Zeitreihen-Studien, zum Beispiel zur Analyse von Umwelteffekten wie Verschmutzung. Diese Übertragbarkeit macht die Forschungsmethode vielseitig einsetzbar.
Die NEOWISE-Daten waren also sowohl Herausforderung als auch Chance. Die Zusammenarbeit zwischen dem jungen Forscher und erfahrenen Wissenschaftlern wie Kirkpatrick sowie den Beratern Shoubaneh Hemmati, Daniel Masters, Ashish Mahabal und Matthew Graham ebnete den Weg für Methoden, die über klassische Datenanalyse hinausgehen.
Durch das Engagement junger Talente in solchen Projekten wird die Zukunft der Wissenschaft mitgestaltet. Die Geschichte von Matteo Paz zeigt, wie Wissen, Durchhaltevermögen und die Unterstützung erfahrener Mentoren zu bedeutenden Entdeckungen führen können, und es bleibt spannend, welche Geheimnisse des Universums noch ans Licht kommen.
