AI avslöjar över 1 300 gömda mysterier i Hubbles arkiv

Långt ner i gamla Hubble-bilder dyker plötsligt märkliga ljusfläckar, snodda galaxer och oförklarliga mönster upp.

En artificiell intelligens såg annorlunda.

I åratal har Hubble-rymdteleskopets råbilder legat snyggt gömda i databaser, noggrant beskrivna, men i huvudsak betraktade genom samma glasögon. Nu kliver ett nytt verktyg fram: algoritmer som inte frågar vad de ska leta efter, utan vad som inte passar in i bilden.

Så ger en algoritm gammal Hubble-data nytt liv

Hubble har kretsats kring jorden sedan 1990 och har levererat miljontals bilder i olika färger och från olika riktningar. Många av dessa bilder användes för riktade projekt: en bestämd galax, en specifik supernova, en stjärnhop. Resten förblev ofta i bakgrunden, prydligt arkiverad, sällan återbesökt.

Ett internationellt team av astronomer och dataforskare beslutade att ta itu med detta arv annorlunda. De tränade ett ai-system för att gå igenom hela arkivet, bild för bild. Utan lista över kända objekt. Utan checklista för vad som utgör en ”snygg” eller ”intressant” bild.

Ai:n fick en uppgift: markera allt som statistiskt inte liknar de kända kosmiska mönstren i Hubble-databasen.

Genom detta tillvägagångssätt identifierade systemet mer än 1 300 anmärkningsvärda objekt och strukturer. De fanns redan i datan, vissa till och med fotograferade flera gånger, men aldrig framhävda som särskilda. Inte för att de var osynliga, utan för att ingen specifikt letade efter dem.

Från kända mönster till sällsynta avvikelser

Kärnan i metoden är så kallad oövervakad inlärning. Algoritmen får inga etiketter som ”detta är en spiralgalax” eller ”detta är ett linsfel”. Istället översätter mjukvaran varje bild till rena kännetecken:

• var ljuskällor finns;
• hur strukturer fördelar sig rumsligt;
• var skarpa övergångar är;
• var symmetriska eller just kaotiska former visar sig;
• hur brus och mätfel beter sig.

Därefter bygger systemet gradvis en sorts karta över vad som förekommer normalt i Hubble-data: typiska stjärnfält, gängse former av galaxer, kända artefakter från instrumenten. Allt som faller utanför detta moln av standardfall dyker upp som ”anomali”. Inte för att det är mystiskt, utan för att det är sällsynt.

En anomali betyder inte automatiskt ny fysik. Det betyder: här avviker något från den kända statistiken och förtjänar extra uppmärksamhet.

Vilka märkliga objekt dyker upp?

De över 1 300 hittade fallen utgör ingen snygg kategori. Ai:n pekar snarare på en brokig samling av randfall. Astronomer ser bland annat:

• galaxer med märkliga, sneda eller in i varandra snodda former;
• ljuskällor som verkar stå isolerade, utan tydlig galax omkring sig;
• svaga, utsträckta dimstrukturer som passar dåligt in i standardmodeller;
• objekt som vid olika tidpunkter verkar lysa annorlunda än förväntat.

En del av dem kan i slutändan visa sig vara en redan känd typ av objekt i en ovanlig fas eller sedd från en särskild synvinkel. Tänk på sammansmältande galaxer, kolliderande gasmoln eller ljus som kraftigt förvrängs av gravitationslinsning. Andra fall verkar svårare att placera och kräver extra uppföljande observationer med andra teleskop.

Anmärkningsvärt är att ai:n också flera gånger lyckades peka ut samma källa i olika Hubble-bilder. Det tyder på att vissa särskilda objekt förblev ”under radarn” i åratal eftersom inget forskningsprogram hade precis dessa fenomen som huvudmål.

Ingen automatisk förklaring, men en radar för överraskningar

Forskarna understryker att ai:n inte är en kosmisk orakelmaskin. Systemet sätter inga etiketter, det gör ingen fysik. Det sätter bara markeringstuscher i datans marginaler.

Ai:n säger inte: ”detta är en ny typ av galax”, utan snarare: ”titta här igen, detta liknar inget annat i arkivet”.

Därefter skjuts arbetet tillbaka till mänskliga team. De jämför de misstänkta objekten med observationer i andra våglängder, till exempel i röntgenljus eller radio, och kopplar den informationen till befintliga teorier. I den processen faller vissa anomalier bort: en del visar sig orsakade av instrumentella effekter, fel eller slumpmässiga uppställningar.

Den intressanta delen blir kvar: de sällsynta källorna som även efter grundlig kontroll fortfarande ser märkliga ut. De utgör råmaterialet till nya hypoteser om hur galaxer växer, hur svarta hål slukar materia eller hur materia fördelar sig på stor skala.

Varför detta tillvägagångssätt förändrar astronomin

Hubble-analysen kommer vid en tidpunkt då teleskop producerar data med tidigare osedd hastighet. James Webb-rymdteleskopet, den europeiska Euclid-missionen och Vera C. Rubin Observatory i Chile kommer att leverera dataströmmar som inget team kan genomsöka manuellt.

Det traditionella tillvägagångssättet – först en teori, sedan en riktad sökning – kommer allt snabbare ur balans. Det finns helt enkelt för mycket bildmaterial. Ai-system som väljer ut avvikelser i bulk utgör därför ett nytt lager i det vetenskapliga arbetsflödet.

Utan smart urval skulle många korta, oförutsägbara fenomen försvinna från bilden. Tänk på plötsliga utbrott kring svarta hål eller sällsynta liknande eruptioner i avlägsna galaxer. Ai-system hjälper till att fiska upp dessa korta signaler mellan ett hav av rutinbilder.

Hubble-anomalierna visar att även ”gammal” data fortfarande rymmer plats för överraskningar, så länge sökstrategin ändras.

Risker, fallgropar och kontrollmekanismer

Att arbeta med ai i astronomin medför också risker. En algoritm som huvudsakligen är tränad på befintlig data kan just förbise starkt avvikande fall. Eller den kan uppfatta instrumentellt brus som något spektakulärt. Därför bygger team medvetet in kontroller:

• jämförelse med simuleringar för att se om en anomali också dyker upp där;
• korskontroll med andra teleskop och andra våglängder;
• periodisk omträning av modellerna med nya dataset.

Dessutom spelar transparens en roll. Forskare måste kunna spåra varför modellen markerar något som avvikande. Det hjälper till att känna igen systematiska fel, såsom en sensorartefakt som alltid sitter i ett hörn av bilden.

Vad detta betyder för framtida upptäckter

Steget från Hubble till ai-understödd dataanalys verkar på flera fronter. För det första förändras förhållandet mellan teori och observation. Istället för att bara testa vad vi redan förväntar oss får himlen ett slags ”fritt fält” där sällsynta fall spontant träder fram. Det kan gradvis tvinga oss att justera modeller.

För det andra förändras arkivens roll. Gamla dataset betraktas mindre som avslutade projekt och mer som permanenta guldgruvor. Så snart det blir bättre analysverktyg tillgängliga kan ett arkiv skannas igen. Det gäller inte bara Hubble, utan till exempel också äldre röntgenteleskop eller radioupptagningar från stora undersökningar.

För det tredje uppstår nya specialiseringar. Vid sidan av klassiska observationsastronomer och teoretiker arbetar nu data-astronomer som fokuserar på algoritmer, statistik och storskaliga simuleringar. De utvecklar metoder för att skilja äkta sällsynta fenomen från triviala avvikelser.

Extra perspektiv: från anomali till fysisk förståelse

Ett intressant nästa steg ligger i att kombinera ai-urval med numeriska simuleringar av kosmiska strukturer. Genom att generera simuleringar och tillämpa samma anomali-detektion på dem kan forskare testa vilka processer som framkallar vissa sällsynta mönster. Förekommer de hittade formerna bara när det till exempel sker starka interaktioner mellan mörka materiahalos? Eller när svarta hål växer extremt snabbt?

Också för studenter och amatörer bjuder denna utveckling på möjligheter. Många av de markerade objekten blir till slut tillgängliga i offentliga kataloger. Därmed kan mindre forskargrupper sätta igång projekt, till exempel kring en specifik typ av märkliga galaxer. Den som är habil på programmering kan till och med bygga egna varianter av anomali-detektorer och därmed bidra till nya fynd.

De över 1 300 märkliga fallen i Hubble-arkiven utgör alltså inte en slutpunkt, utan snarare en startlinje. De visar hur annorlunda himlen ser ut när en algoritm först skrapar bort alla kända mönster och bara låter resten bli kvar. Just i den resten ligger ofta nästa steg i vår förståelse av kosmos.