EXTRASOLARE PLANETEN
Maschinelles Lernmodell hilft bei Suche nach der zweiten Erde
Redaktion / Pressemitteilung der Universität Bern
astronews.com
30. Mai 2025

Ein Forschungsteam hat ein maschinelles Lernmodell entwickelt, das potenzielle Planetensysteme mit erdähnlichen Planeten vorhersagt. Die beteiligten Wissenschaftlerinnen und Wissenschaftler hoffen, dass ihr Modell die zukünftige Suche nach bewohnbaren Planeten im Universum deutlich beschleunigen kann - gerade im Hinblick auf kommende Missionen zur Planetensuche.

Künstliche Intelligenz kann bei der Suche nach erdähnlichen Planeten um andere Sonnen helfen. Bild: Universität Bern / Illustration: Thibaut Roger  [Großansicht]

Wo die nächste Erde zu finden sein könnte Ein Team der Universität Bern und des Nationalen Forschungsschwerpunkts (NFS) PlanetS hat ein maschinelles Lernmodell entwickelt, das potenzielle Planetensysteme mit erdähnlichen Planeten vorhersagt. Das Modell könnte die zukünftige Suche nach bewohnbaren Planeten im Universum deutlich beschleunigen und damit revolutionieren. Die Suche nach erdähnlichen Exoplaneten – Planeten, die andere Sterne als unsere Sonne umkreisen – ist ein zentrales Thema in der heutigen Planetenforschung, denn ausserirdisches Leben wird am ehesten dort vermutet.

Forschende der Universität Bern haben ein innovatives maschinelles Lernmodell entwickelt, das Planetensysteme identifiziert, die potenziell erdähnliche Planeten beherbergen könnten. Das gesamte Team ist oder war zum Zeitpunkt der Studie an der Universität Bern angestellt und alle Forschenden sind Mitglieder des NFS PlanetS. Dr. Jeanne Davoult, heute Postdoc am Deutschen Zentrum für Luft- und Raumfahrt (DLR) in Berlin, erforscht Exoplaneten-Populationen und entwickelte das Modell im Rahmen ihrer Doktorarbeit in der Abteilung Weltraumforschung und Planetologie des Physikalischen Instituts der Universität Bern.

Ein maschinelles Lernmodell ist ein statistisches Werkzeug, das mit Daten trainiert wird, um bestimmte Muster zu erkennen und Vorhersagen zu treffen. "Unser Modell basiert auf einem Algorithmus, den ich entwickelt habe und der trainiert wurde, um Planetensysteme zu erkennen und zu klassifizieren, die erdähnliche Planeten beherbergen", erklärt Davoult. Das Modell baut auf früheren Studien auf, um eine Korrelation zwischen dem Vorhandensein oder Nichtvorhandensein eines erdähnlichen Planeten und den Eigenschaften seines Planetensystems abzuleiten. Der Algorithmus wurde mit Daten aus dem sogenannten "Bern Model of Planet Formation and Evolution" trainiert und getestet.

"Mit dem Berner Modell lassen sich Aussagen darüber machen, wie Planeten entstanden sind, wie sie sich entwickelt haben und welche Arten von Planeten sich unter bestimmten Bedingungen in einer protoplanetaren Scheibe entwickeln", erklärt Teammitglied Yann Alibert. Seit 2003 wird das Berner Modell an der Universität Bern kontinuierlich weiterentwickelt. Ins Modell fließen Erkenntnisse ein zu den vielfältigen Prozessen, die bei der Entstehung und der Entwicklung von Planeten ablaufen. Dabei handelt es sich beispielsweise um Submodelle zur Akkretion (Wachstum des Kerns eines Planeten) oder dazu, wie Planeten gravitationsbedingt miteinander interagieren und sich gegenseitig beeinflussen sowie zu Prozessen in den protoplanetaren Scheiben, in denen Planeten entstehen. Mit dem Modell werden auch sogenannte Populationssynthesen erstellt, die aufzeigen, welche Planeten sich wie häufig unter bestimmten Rahmenbedingungen in einer protoplanetaren Scheibe entwickeln. "Das Berner Modell ist eines der wenigen Modelle weltweit, das eine solche Fülle von zusammenhängenden physikalischen Prozessen bietet und die Durchführung einer Studie wie der vorliegenden ermöglicht", so Alibert.

Der Algorithmus des neuen maschinellen Lernmodells wurde anhand von Daten über synthetische Planetensysteme aus dem Berner Modell trainiert und getestet. "Die Ergebnisse sind beeindruckend: Der Algorithmus erreicht Präzisionswerte von bis zu 0,99, was bedeutet, dass 99% der durch das maschinelle Lernmodell identifizierten Systeme mindestens einen erdähnlichen Planeten aufweisen", sagt Davoult. Das Modell wurde dann auf tatsächlich beobachtete Planetensysteme angewandt. "Das Modell identifizierte 44 Systeme, die mit hoher Wahrscheinlichkeit unentdeckte erdähnliche Planeten beherbergen. Eine weitere Studie bestätigte die theoretische Möglichkeit, dass diese Systeme einen erdähnlichen Planeten beherbergen", erklärt Davoult.

 "Diese Ergebnisse sind wichtig für die wissenschaftliche Gemeinschaft und insbesondere für künftige Weltraummissionen wie PLATO oder künftige Missionskonzepte wie LIFE, die sich der Entdeckung und Charakterisierung von kleinen, kalten Planeten widmen werden", betont Romain Eltschinger, der im Rahmen seiner Masterarbeit an der Weiterentwicklung des maschinellen Lernmodells mitgewirkt hat, so dass es in einem noch breiteren Spektrum von Szenarien eingesetzt werden kann. Der Einsatz dieses maschinellen Lernmodells zur gezielteren Suche nach erdähnlichen Planeten könnte die Suchzeiten minimieren und die Zahl der Entdeckungen maximieren. "Dies ist ein wichtiger Schritt bei der Suche nach Planeten mit günstigen Bedingungen für Leben und letztlich für die Suche nach Leben im Universum", so Alibert abschließend.

Die Ergebnisse des Teams wurden kürzlich in einem Fachartikel veröffentlicht, der in der Zeitschrift Astronomy & Astrophysics erschienen ist.