JWSTs Optik hat eine Million Stellschrauben. Astronomen optimierten sie wie ein neuronales Netz.

Das schwierigste Problem bei der direkten Abbildung von Exoplaneten ist nicht der Planet. Es ist der Stern, der millionenfach heller ist und aus Sicht des Teleskops an fast genau derselben Stelle steht.

Koronografen erledigen den Großteil: Eine Maske im Strahlengang blockiert das Sternenlicht, damit schwache Objekte daneben überhaupt sichtbar werden. Was sie nicht entfernen können, ist der Rest – Sternenlicht, das an der Maske vorbeistreut, weil die Optik des Teleskops nicht perfekt stabil ist. Der Spiegel verformt sich um Nanometer, während das Observatorium warm und kalt wird. Die Ausrichtung driftet. Das Ergebnis ist ein Feld von Speckles, ungefähr so hell wie der Planet, den man sucht.

Zwei Wege, die eigene Unschärfe zu kennen

Um Speckles zu subtrahieren, muss man die Punktbildfunktion kennen: die mathematische Beschreibung, wie das Teleskop einen einzelnen Lichtpunkt verschmiert. Es gibt zwei Wege dorthin.

Man kann einen bekannten Stern abbilden und die Funktion daraus ableiten – gut beim Rauschabzug, aber begrenzt, weil sich das Verhalten des Teleskops über die Zeit ändert und die Verzerrung von der Wellenlänge abhängt. Oder man baut ein physikalisches Modell der Hardware und berechnet die Funktion daraus. Der zweite Weg ist der robustere und derjenige, den niemand zum Laufen brachte, weil ein modernes Teleskop eine Maschine mit viel zu vielen Parametern ist, um sie von Hand abzustimmen.

Bei diesem Satz sollte man kurz innehalten. Zu viele Parameter, um sie von Hand abzustimmen, ist keine Beschreibung eines astronomischen Sonderproblems. Es ist die Beschreibung eines neuronalen Netzes vor dem Gradientenabstieg.

FLIP

Ein Forschungsteam baute ein physikalisches Modell von NIRCam, Webbs Nahinfrarotkamera, und gab ihm in der Größenordnung einer Million abstimmbarer Parameter. Dann taten sie, was man mit einem Modell mit einer Million Stellschrauben tut: Sie starteten mit einer simulierten Punktbildfunktion und optimierten den gesamten Parametersatz per Gradientenabstieg gegen Daten eines echten Sterns – mit derselben GPU-Werkzeugkette, die das Training großer Modelle billig gemacht hat. Auf einer aktuellen GPU dauert die Anpassung etwas mehr als eine halbe Stunde.

Das optimierte Modell wird anschließend an dem konkreten wissenschaftlichen Bild feinjustiert, weil sich einige Parameter von Beobachtung zu Beobachtung unterscheiden: Ausrichtung, thermischer Zustand, das jeweilige Dither-Muster. Das Verfahren heißt FLIP – „Physics-based Learning for Imaging Planets“ –, was die Autoren als Namen und nicht als Akronym verstehen.

Was es eingebracht hat

Das Team testete an drei Zielen: HIP 65426 und 51 Eridani, beides junge Sterne mit bekannten, direkt abgebildeten Riesenplaneten, sowie TYC 5899, ein Stern ohne bekannte Planeten, der stark zwischen Beobachtungen variiert.

Mit Webb-Daten hob FLIP das Signal-Rausch-Verhältnis je nach Beobachtung um den Faktor 1,5 bis 2. Bei einer für den Kohlendioxid-Nachweis nutzbaren Wellenlänge lieferte es den ersten Nachweis eines dieser Planeten in den Webb-Daten. Beim schwierigen Fall TYC 5899 – einem Stern, dessen eigene Variabilität das Rauschen nachahmt, das man entfernen will – verbesserte sich die Empfindlichkeit um den Faktor 15.

Diese letzte Zahl ist weniger wegen des Sterns interessant als wegen dessen, was sie über die Pipeline sagt: Das Verfahren funktioniert genau dort am besten, wo die Kalibrierung über Referenzsterne versagt – bei Sternen, die sich ändern.

Warum es über schönere Bilder hinausgeht

Die offensichtliche Folge ist ein größerer Katalog. Weniger Rauschen heißt, dass schwächere Planeten nachweisbar werden, und schwächer bei gleichem Alter heißt älter oder masseärmer – also die Region des Masse-Alter-Diagramms füllen, in der die direkte Abbildung heute fast nichts hat.

Die weniger offensichtliche Folge ist diagnostisch. Die Forscher merken an, sie könnten FLIP so ändern, dass es berichtet, wo es die größten Korrekturen am Modell vornimmt. Im Hardwarekontext ist das Telemetrie: Der Optimierer sagt dir im Grunde, welcher Teil der optischen Kette von seiner Spezifikation abgedriftet ist – von der anderen Seite des Sonnensystems aus, ohne jemanden loszuschicken. Für ein Teleskop, das man nicht warten kann, ist das nahe am wertvollsten Output, den ein Softwarepaket erzeugen kann.

Was das nicht ist

Es ist keine neue Hardware, und es erzeugt keine Photonen. Der Gewinn kommt vollständig daher, das Instrument gut genug zu modellieren, um einen Störterm zu subtrahieren, der zuvor grob subtrahiert wurde – keine zusätzliche Beobachtungszeit, kein neues Instrument, eine bessere Schätzung dessen, was das Teleskop mit dem Licht gemacht hat.

Und es ist an drei Zielen in einem Instrument validiert. Ob ein so angepasstes Modell über NIRCam-Filter, über thermische Zyklen des Observatoriums und über Instrumente hinweg generalisiert, ist die nächste Frage – und diejenige, die entscheidet, ob das Standardpraxis an jedem Boden- und Weltraumobservatorium mit Koronograf wird oder eine vielzitierte Methode für drei interessante Sterne bleibt.

Die Arbeit ist in Nature erschienen (DOI: 10.1038/s41586-026-11213-z).