SETI: Die Suche nach den Aliens

Die Menschheit hat sich schon seit ewig gefragt: Sind wir allein im All?

Im Rahmen eines Lehrzusatzangebotes haben 11 Studierende des Bachelor Studiengangs Data Science and Business Analytics, unterstützt von Thomas Delissen, Dozent und den beiden Studierenden Samuel Hilbrand und Georg Pollmann, versucht diese Frage zu beantworten.

Im Rahmen einer Kaggle Challenge haben die Studierenden Machine Learning Modelle implementiert, womit extraterrestriale Signale erkannt werden können. Sie lernten innerhalb von zwei Wochen, wie man ein solches Projekt durchführt und welche Problemstellungen sich beim Erstellen und Trainieren von neuronalen Netzen ergeben.

Die Challenge

Obwohl zwei Wochen kaum ausreichen, um die zur Verfügung gestellten Radio-Frequenz Daten vollständig zu verstehen und ein funktionales Modell zu erstellen, mit dem sich außerirdische Signale in diesen Daten aufspüren lassen, war dies die gestellte Aufgabe.

Bei den Daten gab es allerdings zwei Probleme:

• zu viele Menschen
• zu wenige Aliens

Zu viele Menschen

Wenn man versucht, von der Erde aus Signale von anderen Lebewesen aus dem Universum zu empfangen, dann bekommt man im ersten Schritt sehr viele Signale. Die meisten davon stammen allerdings nicht von irgendwelchen Aliens, sondern es sind Signale, die von uns Menschen produziert werden, so beispielsweise Funkdaten oder die üblichen Radio-Frequenzen. Die erste Herausforderung ist also, diese Signale aus den Daten zu filtern.

Zu wenige Aliens

Wie man sich vielleicht denken kann, gibt es derzeit sehr wenige Signale, die von anderen Planeten kommen. Um allerdings neuronale Netze zu trainieren, benötigt man auch Beispiele dieser Art. In dem behandelten Datenset wurden daher künstlich Signale "injiziert". Somit kann man diesen Daten auch verschiedenste Machine-Learning-Algorithmen geben.

Der Beginn: Verstehen

Die wichtigste, allerdings auch zeitintensivste Aufgabe innerhalb dieses Projektes war es, die Daten zu verstehen. Nach welchen Anomalien soll man suchen, wie werden die Daten geliefert, oder auch welche Vorverarbeitungsschritte sind nötig, bis man das große erste Ziel erreicht: ein Modell zu trainieren.

In diesen Arbeitsschritten lernt man nicht nur über die Daten, sondern auch, wie man zusammen als Team funktioniert und wie man sich die Aufgaben besonders gut, nach technologischem und anderweitigem Wissen, aufteilen kann. Dabei steht die Kommunikation im Vordergrund. Wie kommen wichtige Learnings beim Empfänger an, sodass fundierte Entscheidungen getroffen werden können. 

Das Modell

Sobald man nun einen Datensatz hat, mit dem man einigermaßen zufrieden ist, beginnt die Suche nach dem richtigen Modell. Achtung: Das richtige Modell gibt es nicht! Es gibt allerdings verschiedene Ansätze.

In der Übung wurden mehrere Neuronale Netze ausprobiert, vor allem aber 2 Typen: die "ganz normalen" neuronalen Netze und CNNs oder Convolutional Neural Networks. Bei den neuronalen Netzen gibt es keine Allgemeinlösung, es gibt allerdings Leitfäden, wie man solche aufbaut.

Work in Progress: Screenshot des Jamboards

Der Abschluss

Nach zwei Wochen intensiver Arbeit war das Projekt zu Ende. Die Studierenden haben viel gelernt, vor allem auch, wie man solche Projekte von Grund auf aufbaut.

Die Ergebnisse waren überschaubar, allerdings war das auch nicht das Hauptziel des Projekts. Es ging eher darum, einen Einblick zu erlangen, wie man solche neuronalen Netzwerke erstellt und trainiert. Aber auch darum, Erfahrungen zu sammeln, wo sich bei zukünftigen Projekten Probleme einschleichen könnten. Im Vordergrund stand zu jedem Zeitpunkt der Spaß an der Sache! 

Wir gratulieren den Teams, die allesamt diese Ziele erreicht haben!