ExoMinerNEU

ExoMiner ist ein von der NASA entwickeltes, tiefes neuronales Netz (Deep Learning Classifier), das speziell für die automatische Validierung und Klassifizierung von Exoplaneten-Kandidaten konzipiert wurde. Die Software analysiert fotometrische Lichtkurven und Diagnosedaten aus Weltraumteleskop-Missionen wie Kepler, K2 und TESS. Mithilfe von Machine-Learning-Algorithmen unterscheidet das System präzise zwischen echten extrasolaren Planeten und falsch-positiven Signalen, wie etwa bedeckungsveränderlichen Doppelsternen.

Das System verarbeitet komplexe Zeitreihen- und Bilddaten, einschließlich zentroiden Bewegungen und Pixel-Level-Informationen, um Transitsignale zu verifizieren. ExoMiner kombiniert physikalisches Fachwissen aus der Exoplanetenforschung mit modernen Deep-Learning-Architekturen und erzielt dadurch eine sehr hohe Genauigkeit bei der Klassifikation. In wissenschaftlichen Analysen konnte das Modell hunderte neue Exoplaneten in Keplers Datenbestand bestätigen, die von vorherigen Heuristiken unentdeckt geblieben waren.

Als Open-Source-Projekt ist ExoMiner öffentlich auf GitHub verfügbar und richtet sich an Wissenschaftler, Astrophysiker und Data Scientists. Nutzer können den Python-Quellcode lokal ausführen, eigene Trainingsdaten einspeisen oder die Modellarchitektur an neue Beobachtungsdaten anpassen. ExoMiner stellt damit ein leistungsfähiges Werkzeug für die automatisierte Auswertung astronomischer Datenmengen dar.

• Deep-Learning-Klassifikation — Nutzt tiefgehende neuronale Netze zur präzisen Unterscheidung von echten Exoplanetentransits und astronomischen Störsignalen. Verarbeitet fotometrische Zeitreihen sowie diagnostische Parameter aus Kepler- und TESS-Daten.
• Multi-Feature-Analyse — Bewertet nicht nur die Helligkeitsabsenkung der Lichtkurve, sondern bezieht auch Zentroidverschiebungen und Pixel-Ebene-Daten mit ein. Dies senkt die Rate falsch-positiver Ergebnisse im Vergleich zu traditionellen Filtern erheblich.
• Open-Source & Skalierbarkeit — Der Quellcode ist vollständig transparent einsehbar und für die Ausführung auf Grafikprozessoren (GPUs) sowie HPC-Clustern ausgelegt. Forscher können den Code an eigene Durchmusterungsprojekte anpassen.

ExoMiner richtet sich primär an Astrophysiker, Astronomie-Forscher und Data Scientists im Bereich der Planetenwissenschaften. Zudem wird das Tool von universitären Instituten und Raumfahrtorganisationen genutzt, die große Datenmengen von Weltraumteleskopen auswerten.

Ein Forschungsteam für Astrophysik analysiert Terabytes an Lichtkurvendaten der NASA-TESS-Mission, um potenzielle exoplanetare Kandidaten zu identifizieren. Anstatt tausende Transit-Signale manuell oder mit ungenauen Heuristiken zu prüfen, lässt das Team ExoMiner auf einer lokalen GPU-Infrastruktur laufen. Der Algorithmus filtert innerhalb kurzer Zeit instrumentelles Rauschen sowie Doppelsternsignale heraus und liefert eine hochpräzise Liste verifizierter Exoplaneten für die weitere telescopische Nachbeobachtung.

• ExoMiner richtet sich primär an Astrophysiker, Astronomie-Forscher und Data Scientists im Bereich der Planetenwissenschaften. Zudem wird das Tool von universitären Instituten und Raumfahrtorganisationen genutzt, die große Datenmengen von Weltraumteleskopen auswerten.
• Ein Forschungsteam für Astrophysik analysiert Terabytes an Lichtkurvendaten der NASA-TESS-Mission, um potenzielle exoplanetare Kandidaten zu identifizieren.
• Deep-Learning-Klassifikation: Nutzt tiefgehende neuronale Netze zur präzisen Unterscheidung von echten Exoplanetentransits und astronomischen Störsignalen. Verarbeitet fotometrische Zeitreihen sowie diagnostische Parameter aus Kepler- und TESS-Daten.
• Multi-Feature-Analyse: Bewertet nicht nur die Helligkeitsabsenkung der Lichtkurve, sondern bezieht auch Zentroidverschiebungen und Pixel-Ebene-Daten mit ein. Dies senkt die Rate falsch-positiver Ergebnisse im Vergleich zu traditionellen Filtern erheblich.
• Open-Source & Skalierbarkeit: Der Quellcode ist vollständig transparent einsehbar und für die Ausführung auf Grafikprozessoren (GPUs) sowie HPC-Clustern ausgelegt. Forscher können den Code an eigene Durchmusterungsprojekte anpassen.

ExoMiner ist nicht für allgemeine Zeitreihenanalysen außerhalb der Astronomie oder alltägliche Business-Analysen geeignet. Das Tool erfordert zudem tiefere Programmierkenntnisse in Python und astrophysikalisches Fachwissen zur Transitphotometrie.

• ALeRCE — Kostenlos · Sitz: Santiago, Chile · Unklar
• AstroLens — Kostenlos · Sitz: Vereinigte Staaten · DSGVO / EU
• Astrometry.net (Nova) — Kostenlos · Sitz: New York, Vereinigte Staaten · Unklar
• Galaxy Zoo — Kostenlos · Sitz: Oxford, Vereinigtes Königreich · Unklar
• GraXpert — Kostenlos · Sitz: Deutschland · DSGVO / EU