Stellen Sie sich vor, Sie müssten Tausende flüchtige Momente am Himmel koordinieren: Exoplaneten, die vor ihren Sternen vorbeiziehen, jeder Transit nur wenige Stunden lang sichtbar, jeder wissenschaftlich wertvoll. Welches Ziel wählen Sie als nächstes? Wie balancieren Sie Prioritäten, Teleskopverfügbarkeit und physikalische Randbedingungen über Jahre hinweg? Für das künftige Weltraumteleskop Ariel der ESA ist diese Frage nicht rhetorisch – sie ist operativ entscheidend. Und die Antwort kommt zunehmend von einer künstlichen Intelligenz.
Ein neues Forschungspapier mit dem Titel „aRieL" beschreibt, wie ein Reinforcement-Learning-Agent die Beobachtungsplanung für Ariel automatisiert übernimmt. Im Vergleich zu klassischen Optimierungsverfahren zeigt der RL-Ansatz vielversprechende Ergebnisse bei der Maximierung der wissenschaftlichen Ausbeute.
Ariel – kurz für Atmospheric Remote-sensing Infrared Exoplanet Large-survey – ist eine ESA-Mission, die voraussichtlich in den späten 2020er Jahren startet. Ihr Ziel: die systematische Untersuchung der Atmosphären von Hunderten Exoplaneten. Die Scheduling-Herausforderung dabei ist komplex. Tausende von Exoplaneten-Transits müssen über die Missionslaufzeit optimal eingeplant werden, wobei Teleskopverfügbarkeit, wissenschaftliche Prioritäten und physikalische Randbedingungen berücksichtigt werden müssen.
Reinforcement Learning bietet gegenüber traditionellen Planungsalgorithmen den Vorteil, sich adaptiv an veränderte Bedingungen anzupassen. Der RL-Agent lernt durch Trial-and-Error: Er probiert verschiedene Beobachtungssequenzen aus, erhält Feedback über deren wissenschaftlichen Ertrag und optimiert seine Strategie iterativ.
Die Arbeit demonstriert, wie moderne KI-Methoden zunehmend Einzug in die Weltraumforschung halten und operative Entscheidungen unterstützen können. Doch die Frage bleibt: Wie viel Kontrolle wollen – und sollten – wir an Algorithmen abgeben? Offene Fragen und Risiken sind dabei unvermeidlich. Ob die aRieL-Methode bereits für die Integration in die offizielle Ariel-Missionspipeline vorgesehen ist oder zunächst ein Forschungsprototyp bleibt, lässt das Paper offen.
Eines ist klar: Die Richtung ist gesetzt. Raumfahrtagenturen weltweit experimentieren mit KI-gestützten Ansätzen, um komplexe Missionen zu steuern. Ariel könnte ein Testfall sein – ein Moment, in dem wir einer Maschine lernen, das Universum zu beobachten.
