Machine Learning Solutions for Star Formation (StarForML)

Schwerpunkte:	Künstliche Intelligenz Talente
Art der Förderung:	Personenförderprogramme
Programm:	CZS Nexus
Geförderte Institution:	Universität Heidelberg

Dr. Victor Ksoll forscht im Bereich der Astrophysik. Er hat Physik an der Universität Heidelberg studiert und dort in Astronomie promoviert mit Forschungsaufenthalten am Institut für Planetologie und Astrophysik in Grenoble, Frankreich sowie am Space Telescope Science Institute in Baltimore, USA.

Ziele

Die Sternentstehung ist ein komplexer Prozess, der von großen Molekülwolken bis zu einzelnen Protosternen reicht. Um diesen Prozess zu verstehen, werden verschiedene Methoden angewandt, darunter photometrische und spektroskopische Beobachtungen sowie die Analyse von interstellarer Materie.

Die Analyse der Beobachtungsdaten erfolgt oft im Vergleich mit astrophysikalischen Simulationen, bzw. durch das Lösen inverser Probleme. Das ist bei großen Datenmengen sehr rechenintensiv.

Angesichts der enormen Datenmengen, die moderne Teleskope erzeugen, ist ein Wechsel zu effizienten, automatisierten Algorithmen notwendig. Maschinelles Lernen (ML) gewinnt hierbei an Bedeutung, da es schnelle und effektive Auswertungen ermöglicht.

Ziel von Dr. Victor Ksoll ist es, ML-Methoden für inverse Probleme in der Astronomie zu entwickeln, um die Untersuchung der Sternentstehung zu verbessern und die Transparenz der Methoden zu erhöhen. Dabei sollen auch Techniken des Transferlernens eingesetzt werden, um Lücken zwischen Simulationen und Beobachtungsdaten zu schließen. Der Schwerpunkt liegt auf photometrischen Beobachtungen mit Weltraumteleskopen wie z. B. Hubble und spektroskopischen Messungen mit bodengebundenen Observatorien.