Claude Science erstellt erste vollständige UV-Himmelskarte

Anthropic zufolge hat sein System Claude Science etwas erzeugt, das Astronomen bisher nicht hatten: eine Karte des gesamten Himmels im ultravioletten Licht. Brice Ménard, Astrophysiker an der Johns Hopkins University, beschreibt das Projekt auf der Website von Anthropic. Das Unternehmen präsentiert es als Beispiel dafür, wie KI die langwierige, sich ständig wiederholende Datenarbeit übernimmt, für die Forschern oft die Zeit fehlt, um sie je abzuschließen.

Das Ergebnis ist schon für sich genommen interessant. Es eignet sich aber auch gut als Fallbeispiel dafür, welchen Platz KI-Agenten heute in der wissenschaftlichen Arbeit einnehmen.

Warum der UV-Himmel nie vollständig kartiert wurde

Beobachtungen im Ultraviolett zeigen Material, das in anderen Wellenlängen leicht übersehen wird. Im UV-Licht können Astronomen Staub erkennen, der von Sternenlicht angestrahlt wird. Dazu gehören etwa Wolken rund um junge Sterne und die Ringe, die Sternexplosionen hinterlassen.

Die Schwierigkeit liegt darin, an die Daten zu kommen. Die Ozonschicht der Erde blockiert UV-Licht, deshalb können Teleskope am Boden es nicht erfassen. Jede Messung muss von Instrumenten im Weltraum stammen, und das begrenzt die vorhandene Datenmenge erheblich.

Die bislang umfassendste Arbeit leistete die NASA-Mission GALEX, die rund zwei Drittel des Himmels abdeckte. Helle Sternentstehungsgebiete ließ sie allerdings aus, sodass im UV-Bild des Himmels große Lücken blieben. Bis zu diesem Projekt hatte niemand eine vollständige Karte.

Wie Claude Science die Karte zusammengesetzt hat

Claude Science koordiniert eine Gruppe von KI-Agenten, und die Arbeit wurde auf drei Hauptaufgaben verteilt:

1. Daten sammeln. Die Agenten luden Beobachtungen mehrerer Weltraummissionen herunter.
2. Daten kalibrieren. Daten verschiedener Instrumente müssen angeglichen werden, bevor man sie vergleichen kann. Diesen Schritt übernahmen die Agenten.
3. Daten zusammenführen. Die kalibrierten Datensätze wurden zu einer einzigen Karte vereint.

Damit blieben immer noch Lücken dort, wo keine brauchbaren Beobachtungen vorlagen. Um sie zu füllen, setzten die Agenten auf Inpainting. Bei diesem Verfahren lernt ein Modell aus den vorhandenen Daten und rekonstruiert dann, was in den fehlenden Bereichen höchstwahrscheinlich zu sehen wäre.

Laut dem Bericht hat das Team geprüft, wie gut das funktioniert. Im Schnitt wichen die vorhergesagten Werte um etwa zehn Prozent von echten Messungen ab. Diese Zahl ist wichtig. Die aufgefüllten Abschnitte sind fundierte Schätzungen, keine direkten Beobachtungen, und wer die Karte nutzt, sollte diesen Unterschied im Hinterkopf behalten.

Eine Karte für den Unterricht

Das erklärte Ziel ist bescheiden. Die Karte ist als Lehrmaterial gedacht, nicht als Ersatz für gezielte Beobachtungen. Diese Einordnung passt zur Fehlermarge: Eine durchschnittliche Abweichung von zehn Prozent reicht völlig, um Studierenden die Struktur des UV-Himmels zu zeigen, während Präzisionsforschung weiterhin echte Messungen bräuchte.

Wichtiger als die Karte selbst könnte Ménards grundsätzlicher Gedanke sein. Er vermutet, dass viele Wissenschaftler solche Projekte in der Schublade liegen haben. Es sind Aufgaben, die sich lohnen würden, aber so viel Herunterladen, Bereinigen und Zusammenfügen von Daten erfordern, dass niemand dazu kommt. KI-Agenten könnten nach seiner Ansicht einen Teil dieser Arbeit jetzt machbar machen.

Das Muster hinter dem Projekt

Das passt zu einem breiteren Trend, Sprachmodelle als Forschungsassistenten einzusetzen. Open-Source-Vorhaben wie BootLoops, ein Framework, das Claude zum Laborwerkzeug macht, weisen in dieselbe Richtung. Ebenso Projekte, die auf großen öffentlichen Wissenschaftsarchiven aufbauen, etwa das Mond-Basismodell von NASA und IBM. Alle versuchen, einen großen, unübersichtlichen Berg wissenschaftlicher Daten in etwas zu verwandeln, mit dem Forscher arbeiten können.

Unsere Einschätzung

Die UV-Karte ist ein bescheidenes Ergebnis, und genau das macht sie überzeugend. Das Projekt behauptet keine neue Physik. Es zeigt Agenten, die sich um die Datenklempnerei kümmern, die echte Forschung ausbremst: Dateien finden, Instrumente miteinander abgleichen und Datensätze verknüpfen. Für Leser, die KI-Agenten verfolgen, deutet das darauf hin, dass ihr praktischster Nutzen in der Wissenschaft auf absehbare Zeit im Abarbeiten liegengebliebener Aufgaben liegt, nicht im Ersetzen von Wissenschaftlern.

Die Abweichung von zehn Prozent erinnert zudem daran, dass rekonstruierte Daten mit Unsicherheit behaftet sind. Wenn mehr von KI erstellte Datensätze auftauchen, lohnt sich ein Blick darauf, ob die Teams ihre Fehlermargen so klar angeben wie dieses. Eine verwandte Frage ist, wie sie rekonstruierte Bereiche kennzeichnen, damit spätere Nutzer Schätzungen von Messungen unterscheiden können.

Der nächste Test ist, ob externe Forscher Ménards Anregung aufgreifen und ähnliche Agenten-Workflows für ihre eigenen aufgeschobenen Projekte nutzen. Unabhängige Ergebnisse dieser Art würden zeigen, ob es sich um eine wiederholbare Methode handelt oder um ein gut ausgewähltes Vorzeigeprojekt.