KI und die schwierigen Probleme der Welt · Astronomie & Weltraum · arXiv · 2026-10-21
J-PLUS: Identifizierung von Ausreißer-Spektralenergieverteilungen im vierten Data Release mittels unüberwachtem maschinellen Lernen
Originaltitel: J-PLUS: Identifying Outlier Spectral Energy Distributions in the Fourth Data Release Using Unsupervised Machine Learning
Die Auswahl von Kandidaten aus seltenen oder unterrepräsentierten stellaren Populationen sowie neuartiger Objekte ist für ein spektroskopisches Follow-up essenziell, weshalb die Autoren eine auf Autoencodern basierende Technik zur Anomalieerkennung auf photometrische Daten aus zwölf Bändern von J-PLUS anwandten, um spektrale Energiedistributionen zu identifizieren, die vom dominierenden Muster abweichen. Anschließend wandten sie t-SNE auf die Farben der Ausreißerpopulation an und klassifizierten die Ausreißer, indem sie Informationen aus der SIMBAD-Datenbank und anderen astronomischen Durchmusterungen kombinierten, und charakterisierten dabei klar abgegrenzte Inseln in der t-SNE-Karte, die bestimmten Populationen entsprechen. Die Studie identifizierte eine große Stichprobe von Weißen Zwergen und massearmen Sternen, darunter eine kleine Untergruppe kontaminierter Weißer Zwerge, und nennt potenzielle Kandidaten für ein spektroskopisches Follow-up: 19 kohlenstoffreiche Sterne, 11 kataklysmische Veränderliche und 170 Binärsysteme aus Weißem Zwerg und Hauptreihenstern, die sämtlich zuvor in der Literatur nicht beschrieben waren.