KI-Agenten suchen nach außerirdischen Signalen

Hintergrund

NVIDIA hat Ende Oktober einen Blogbeitrag veröffentlicht, der Halloween als Aufhänger nutzt. Gemeldet wird kein außerirdisches Signal. Das Thema ist ein Methodenwechsel: Die Suche nach außerirdischer Intelligenz (SETI) setzt zunehmend KI-Agenten ein, um astronomische Signale zu sichten und auszuwerten.

Etwa ein Jahrzehnt lang kamen die Fortschritte bei SETI aus dem maschinellen Lernen. Trainierte Modelle pickten verdächtige Ausschnitte aus Radioteleskopdaten heraus. Ein Agent geht weiter. Er bewertet nicht nur passiv, sondern plant seine Schritte selbst, ruft Werkzeuge auf, liest Zwischenergebnisse und entscheidet über den nächsten Schritt.

Setzt SETI tatsächlich KI-Agenten bei der Suche nach außerirdischen Signalen ein? Laut NVIDIA Blog ja, und zwar zunehmend. Die Quelle beschreibt einen Trend, nennt aber keine Messwerte.

Tiefenanalyse

Radioteleskope zeichnen den Himmel über sehr breite Frequenzbereiche und lange Zeiträume auf. Es entstehen Spektraldaten im Petabyte-Bereich. Gesucht werden Schmalbandsignale, deren Frequenz regelmäßig driftet. Natürliche Objekte erzeugen diese Form selten, ein künstlicher Sender erzeugt sie leicht. Doch auch Mobiltelefone, Satelliten und Radar erzeugen sie. Man spricht von Hochfrequenzstörungen.

Die klassische Pipeline sucht driftende Signale, entfernt Störungen durch den Vergleich von Beobachtungen auf dem Ziel und neben dem Ziel und überlässt den Rest der menschlichen Prüfung. Zwei Engpässe bremsen sie: Die meisten Kandidaten sind Störungen, und Menschen müssen die Regeln jedes Schritts entwerfen und abstimmen. Ein Agent kann Suche, Filterung, Abgleich und Archivierung zu einer autonomen Schleife verbinden. Bei Auffälligkeiten rechnet er mit anderen Parametern neu und fragt bei Bedarf Beobachtungsprotokolle oder Sternkataloge ab. GPU-Beschleunigung liefert die nötige Rechenleistung. Darum erzählt NVIDIA diese Geschichte: Die Verarbeitung astronomischer Daten ist ein typischer Anwendungsfall der eigenen Plattform.

Branchenwirkung

Profitieren dürften vor allem Projekte mit vielen Beobachtungsdaten und wenig Personal, etwa Breakthrough Listen. Frühere Forschungsteams werteten ältere Daten mit Deep Learning neu aus und fanden Kandidaten, die der manuelle Ablauf übersehen hatte. Agenten machen solche Neuauswertungen günstiger und besser wiederholbar. Auch Pulsarsuche, die Erkennung schneller Radioblitze und die Überwachung transienter Objekte kennen dieselben Probleme: Datenflut, geringes Signal-Rausch-Verhältnis und viele Fehlalarme.

Für die KI-Branche ist das ein Beispiel dafür, dass Agenten nicht nur Code schreiben oder Kundenfragen beantworten, sondern auch die repetitiven Zwischenschritte eines Forschungsablaufs übernehmen. Die Wissenschaft bleibt bei automatisierten Schlüssen jedoch vorsichtig. Je autonomer ein Agent arbeitet, desto nachvollziehbarer und reproduzierbarer muss jeder Schritt sein.

Ausblick

Vier Punkte verdienen Aufmerksamkeit. Erstens: Bewertet ein Team den Agenten-Ablauf öffentlich? Nötig wären die Trefferquote bei eingespeisten Signalen, die Fehlalarmrate bei Störungen und ein Vergleich mit der klassischen Pipeline. Ohne diese Maßstäbe bleibt ein Durchbruch eine Erzählung. Zweitens: Entsteht eine offene Werkzeugkette, die Daten verschiedener Teleskope für dieselben Agenten zugänglich macht?

Drittens die Rollenverteilung. Kurzfristig dürften Agenten Erstsichtung und Nachprüfung übernehmen, während wiederholte Beobachtungen mit unabhängigen Teleskopen und die menschliche Prüfung entscheiden. Viertens das Risiko von Verzerrungen aus den Trainingsdaten, die ungewöhnliche Signalformen übersehen lassen. Deshalb sollten unkonventionelle Suchen weiterlaufen. Ob der Wandel trägt, zeigen veröffentlichte Methoden und Daten, nicht Werbung.