Sternenlicht lesen, Schwarze Löcher finden?

Black Hole Hunters bittet Freiwillige, Helligkeitsmessungen von Sternen nach einem subtilen Muster zu durchsuchen: Zieht ein dunkles Objekt vor seinem Sternenbegleiter vorbei, kann seine Schwerkraft dessen Licht ablenken und verstärken. Dafür nutzt das Projekt Daten des Transiting Exoplanet Survey Satellite (TESS). Menschliche Einschätzungen und algorithmische Werkzeuge helfen, die Beobachtungen zu sichten. Ein auffälliges Signal ist zunächst aber nur ein Kandidat – kein bestätigter Nachweis eines Schwarzen Lochs. 1718

Das verräterische Flackern

Im Mittelpunkt steht die sogenannte Gravitations-Selbstlinse in Doppelsternsystemen. Steht ein solches System aus unserer Perspektive fast genau von der Seite, kann das Licht des sichtbaren Sterns durch die Schwerkraft seines dunklen Begleiters abgelenkt und verstärkt werden, wenn dieser vor dem Stern vorbeizieht. Anders als bei einem einmaligen Mikrolinsenereignis kann sich die Aufhellung im Rhythmus des Umlaufs wiederholen. 18

Gesucht wird dieses wiederkehrende Muster in sogenannten Lichtkurven – Aufzeichnungen, die zeigen, wie sich die Helligkeit eines Sterns im Lauf der Zeit verändert. Mit simulierten Beispielen lernen die Freiwilligen, worauf sie achten sollen. Die Projekt-FAQ hält zugleich fest, dass solche Ereignisse selten sind und zum dort beschriebenen Zeitpunkt noch kein eindeutiges Beispiel für Selbstlinsen durch ein Schwarzes Loch gefunden worden war.

Freiwillige und Algorithmen ergänzen sich

Black Hole Hunters läuft auf Zooniverse. Nach einer Online-Einführung können Freiwillige dort Lichtkurven klassifizieren. Die Suche stützt sich auf TESS-Beobachtungen; das Forschungsteam hat außerdem angekündigt, künftig auch Daten weiterer Himmelsdurchmusterungen zu untersuchen. 1718

Die Einschätzungen der Freiwilligen ersetzen nicht die wissenschaftliche Analyse. In einem Update vom April 2026 berichtete der Forscher Adam McMaster, dass bereits 7,6 Millionen Klassifizierungen eingegangen waren. Zusammen mit aufwendigeren Simulationen sollen sie dabei helfen, Algorithmen zu entwickeln, die Lichtkurven vorsortieren und die Suche auf aussichtsreiche Kandidaten eingrenzen.

Das Projekt startete am 26. Oktober 2021 auf Zooniverse. Zum Team gehören Adam McMaster, Hugh Dickinson und Matthew Middleton; beteiligt sind unter anderem Forschende der University of Southampton, der Open University und des Flatiron Institute. Die University of Southampton beschrieb später eine Förderung aus dem Jahr 2024, die die Zusammenarbeit von Middleton und McMaster mit Dickinson sowie die Gewinnung von Freiwilligen unterstützte. 17

Was das separate Projekt Higgs Hunters zeigt

Higgs Hunters hatte ein anderes Ziel: Freiwillige untersuchten Bilder des ATLAS-Experiments am Large Hadron Collider (LHC), dem Teilchenbeschleuniger am CERN. Gesucht wurden außermittige Zerfallspunkte – Spuren, die scheinbar nicht am zentralen Kollisionspunkt beginnen. Solche Merkmale können Hinweise auf Teilchen sein, die eine Strecke zurücklegen, bevor sie zerfallen. Ein ungewöhnlicher Fleck im Bild ist für sich genommen jedoch kein Beleg für ein neues Teilchen. 10

Eine Auswertung des Projekts untersuchte, wie gut Menschen ohne Fachausbildung langlebige Teilchenzerfälle und andere auffällige Merkmale erkennen konnten. Für das ausgewertete Material lagen Erkennungsleistung und Fehlalarmrate der Freiwilligen laut Studie in einer ähnlichen Größenordnung wie bei den untersuchten ATLAS-Algorithmen. Außerdem markierten die Teilnehmenden Ereignisse mit unerwarteten Eigenschaften, die genauer geprüft werden konnten. 3

Nach Angaben der University of Oxford erreichte Higgs Hunters 42.280 Teilnehmende aus mehr als 170 Ländern. In einer späteren Analysephase wirkten außerdem Schülerinnen und Schüler aus dem Vereinigten Königreich mit. Diese Zahlen beziehen sich auf Higgs Hunters – nicht auf die Klassifizierungen bei Black Hole Hunters. Ebenso wenig belegen sie, dass Freiwillige bei jeder wissenschaftlichen Aufgabe besser abschneiden als Algorithmen. 4

Wo Bürgerforschung ihren Platz hat

Beide Projekte zeigen, wie öffentliche Beteiligung Forschung unterstützen kann: Geschulte Freiwillige können große Datenbestände mit durchsuchen und Muster hervorheben, denen Forschende anschließend nachgehen. Higgs Hunters verglich menschliche Einschätzungen für eine konkrete Aufgabe mit Algorithmen. Black Hole Hunters kombiniert Freiwilligen-Klassifizierungen, Simulationen und algorithmische Vorsortierung für eine andere Art astronomischer Daten. In beiden Fällen braucht es weitere wissenschaftliche Prüfungen, bevor aus einem möglichen Signal eine bestätigte Entdeckung wird. 318