Quelle: ESA 24. Januar 2024.

24. Januar 2024 – Die kürzlich in der Fachzeitschrift Nature veröffentlichte Studie wurde von Global Fishing Watch geleitet – einer Organisation, die sich für die Nutzung des Meeres mit mehr Transparenz der menschlichen Aktivitäten auf See einsetzt.

Nicht alle Boote sind gesetzlich verpflichtet, ihre Position anzugeben, aber Schiffe, die nicht in öffentlichen Überwachungssystemen erfasst sind, oft als „dunkle Flotten“ bezeichnet, können Herausforderungen für den Schutz und die Bewirtschaftung natürlicher Ressourcen darstellen.

Mithilfe von Radardaten der Copernicus Sentinel-1-Mission und zusätzlichen optischen Daten der Copernicus Sentinel-2-Mission zusammen mit GPS-Informationen über einen Zeitraum von fünf Jahren konnten Forschende von Global Fishing Watch Schiffe identifizieren, die ihre Positionen nicht angegeben hatten.

Durch die Anwendung von maschinellem Lernen auf die Daten konnten die Forschenden dann schlussfolgern, welches der Schiffe in der Fischerei tätig war.

Die Untersuchung erstreckte sich über den Zeitraum 2017-2021 und beinhaltete Küstengewässer auf sechs Kontinenten, in denen der überwiegende Teil der Fischerei- und Offshore-Infrastruktur konzentriert ist.

Sie fanden zahlreiche unsichtbare Fischereifahrzeuge in vielen Meeresschutzgebieten und eine hohe Konzentration von Schiffen in den Gewässern vieler Länder, die zuvor nur wenig bis gar keine Schiffstätigkeit durch öffentliche Überwachungssysteme zeigten.

Es stellte sich auch heraus, dass mehr als 25 % der Aktivitäten von Transport- und Energieschiffen in den Überwachungssystemen fehlten.

„Auf unseren Meeren zeichnet sich eine neue industrielle Revolution ab, die bislang unentdeckt geblieben ist“, sagte David Kroodsma, Direktor für Forschung und Innovation bei Global Fishing Watch.

„An Land haben wir detaillierte Karten von fast jeder Straße und jedem Gebäude auf dem Planeten. Im Gegensatz dazu ist das Wachstum auf unseren Ozeanen der Öffentlichkeit weitgehend verborgen geblieben. Diese Studie hilft, die toten Winkel zu beseitigen und wirft ein Licht auf die Breite und Intensität der menschlichen Tätigkeit auf See.“

Fernando Paolo, Senior Machine Learning Engineer bei Global Fishing Watch, fügte hinzu: „Historisch gesehen wurde die Schifffahrt unzureichend dokumentiert, was unser Verständnis darüber einschränkt, wie die weltweit größte öffentliche Ressource – der Ozean – genutzt wird.

Durch die Kombination von Weltraumtechnologie und modernstem maschinellem Lernen haben wir bisher unbekannte industrielle Aktivitäten auf See in einem nie dagewesenen Umfang erfasst.“

Öffentlich zugängliche Daten deuten darauf hin, dass Asien und Europa eine ähnliche Anzahl von Fischereifahrzeugen innerhalb ihrer jeweiligen Grenzen haben – dies ist jedoch nicht der Fall.

Jennifer Raynor, Assistenzprofessorin für Naturressourcen-Ökonomie an der Universität Wisconsin-Madison, sagte: „Unsere Kartierung zeigt, dass Asien dominiert. Von zehn Fischerbooten, die wir auf dem Wasser gefunden haben, waren sieben in Asien, während nur eines in Europa war.

Durch die Kenntlichmachung nicht erfasster Schiffe haben wir das umfassendste öffentliche Bild der globalen industriellen Fischerei geschaffen, das es gibt.“

Der Copernicus Sentinel-1-Missionsleiter der ESA, Nuno Miranda, erklärte: „Wir sind über die Ergebnisse der Studie überrascht. Ich glaube nicht, dass irgendjemand erwartet hat, dass 75 % der Schiffe auf See ihre Position nicht übermitteln.

Wir sind sehr stolz auf die wichtige Rolle, die Sentinel-1 bei diesen erstaunlichen Ergebnissen gespielt hat.

Die Mission zeigt, wie die Fähigkeit des Radars, bei jedem Wetter, bei Tag und bei Nacht Bilder zu liefern, in Verbindung mit seinen systematischen und globalen Beobachtungen ein besseres Verständnis für die Auswirkungen des Menschen auf die Umwelt und die natürlichen Ressourcen ermöglicht.“

Neben den Auswirkungen auf Schiffe, die illegal fischen könnten, werden diese Ergebnisse auch dazu beitragen, mehr über die Treibhausgasemissionen auf See zu erfahren.

Die Studie betrachtete auch Offshore-Infrastruktur wie Windräder und Ölplattformen.

Während des Untersuchungszeitraums nahmen die Ölplattformen um 16 % zu, während sich die Zahl der Windturbinen mehr als verdoppelte. Bis 2021 übertreffen die Turbinen die Ölplattformen. Chinas Offshore-Windenergie verzeichnete mit einer Verneunfachung zwischen 2017 und 2021 das stärkste Wachstum.

Diese Daten helfen uns, die Auswirkungen und Trends der Entwicklung verstehen.

Diskutieren Sie mit im Raumcon-Forum:

• Copernicus (früher GMES)

Der Beitrag ESA: Sentinel-1 und KI decken 75 % der nicht verfolgten Fischereifahrzeuge auf erschien zuerst auf Raumfahrer.net.

Quelle: ETH Zürich.

20. April 2022 – Seit letztem Jahr befinden wir uns in der UN-​Dekade für die Wiederherstellung von Ökosystemen (engl. «UN Decade on Ecosystem Restoration»). Die Initiative hat sich zum Ziel gesetzt, bis 2030 die Degradation der Ökosysteme aufzuhalten, ihr vorzubeugen und bereits entstandene Schäden, wenn möglich zu beheben. Für solche Vorhaben benötigen die Akteure präzise Grundlagen wie zum Beispiel Vermessungen und Karten des Bestands. Ralph Dubayah, Leiter der «Global Ecosystem Dynamics Investigation (GEDI)»-​Mission der NASA erklärt in einem Interview: «Wir wissen schlicht nicht, wie hoch die Bäume weltweit sind. […] Wir brauchen globale Karten davon, denn wenn wir Bäume fällen, setzen wir CO₂ in die Atmosphäre frei, und wir wissen nicht, um wie viel es sich handelt.»

Auf die Analyse und Aufbereitung ebensolcher Umweltdaten spezialisiert ist das EcoVision Lab am ETH-​Departement für Bau, Umwelt und Geomatik, das 2017 von ETH-​Professor Konrad Schindler und UZH-​Professor Jan Dirk Wegner gegründet wurde. Im Lab entwickeln die Forscher Machine-​Learning-Algorithmen, die es ermöglichen, großflächige Umweltdaten automatisch zu analysieren. Einer dieser Forscher ist Nico Lang. In seiner Doktorarbeit hat er einen Ansatz – basierend auf neuronalen Netzwerken – entwickelt, um aus optischen Satellitenbildern die Vegetationshöhe ableiten zu können. Daraus konnte er die erste Vegetationshöhen-​Karte erstellen, welche die gesamte Erde abdeckt (engl. «Global Canopy Height Map»).

Ein Novum ist zudem die hohe Auflösung der Karte: Dank Langs Arbeit können Nutzer*innen bis zu 10×10 Meter an jedes Waldstück der Erde heranzoomen, um die Baumhöhe abzulesen. Eine solche Vermessung der Wälder könnte in Zukunft insbesondere im Umgang mit dem CO₂-​Ausstoß wegweisend sein, denn die Baumhöhe ist ein wichtiger Indikator für die Biomasse und die Menge an gespeichertem Kohlenstoff. «Etwa 95 Prozent der Biomasse im Wald sind im Holz und nicht in den Blättern. Daher hängt die Biomasse stark mit der Höhe zusammen», klärt Konrad Schindler, Professor für Photogrammetrie und Fernerkundung, auf.

Trainiert mit Laserscanning-​Daten aus dem Weltraum
Doch wie liest ein Computer die Baumhöhe von einem Satellitenbild ab? «Da wir nicht wissen, nach welchen Mustern der Computer Ausschau halten muss, um die Höhe zu schätzen, lassen wir ihn die optimalen Bildfilter selbst lernen», sagt Nico Lang. Daher zeigt er seinem neuronalen Netzwerk Millionen von Beispielen: Als Input dienen die Bilder der zwei Copernicus Sentinel-​2-Satelliten der Europäischen Weltraumorganisation (ESA). Diese Satelliten nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von 10×10 Metern pro Pixel auf. Es sind die qualitativ besten Bilder, die zurzeit öffentlich zugänglich sind.

Daneben muss dem Algorithmus die korrekte Antwort – das heißt die Baumhöhe aus Space-​Lasermessungen der NASA GEDI-​Mission – zur Verfügung gestellt werden. «Die GEDI-​Mission liefert global verteilte, punktuelle Daten der Vegetationshöhe zwischen dem 51. nördlichen und südlichen Breitengrad, sodass der Computer im Trainingsprozess viele verschiedene Vegetationstypen sieht», erklärt Nico Lang. Mit Input und Antwort kann sich der Algorithmus die Filter für Textur-​ und Spektralmuster selbst aneignen. Ist das neuronale Netzwerk erst einmal trainiert, kann es die Baumhöhen aus den mehr als 250.000 Bildern (etwa 160 Terabyte Daten), die für die globale Karte notwendig sind, automatisch schätzen.

In der Fachterminologie nennt sich Langs neuronales Netzwerk Convolutional Neural Network (CNN). Die «Convolution» – zu Deutsch Faltung – ist eine mathematische Operation, bei welcher der Algorithmus die 3×3 Pixel großen Bildfilter über das Satellitenbild gleiten lässt und dadurch Informationen über Helligkeitsmuster im Bild erhält. «Der Trick dabei ist, dass wir die Bildfilter stapeln und der Algorithmus dadurch Kontextinformationen erhält, da er von jedem Pixel bereits Informationen über die Nachbarpixel hat», erläutert Konrad Schindler. Dadurch ist es dem EcoVision Lab erstmalig gelungen mit einer Satellitenkarte auch Baumhöhen von bis zu 55 Meter zuverlässig einzuschätzen.

Weil diese neuronalen Netzwerke mit ihren vielen Schichten «tief» sind, spricht man auch von «Deep Learning». Diese Methode läutete vor rund 10 Jahren eine große Revolution in der Bildverarbeitung ein. Der Umgang mit der schieren Menge an Daten, die dazu nötig ist, ist jedoch nach wie vor eine große Herausforderung: Um die globale Vegetationshöhen-​Karte zu berechnen, bräuchte ein leistungsstarker Rechner allein drei Jahre. «Zum Glück haben wir Zugriff auf den ETH-​Hochleistungsrechencluster, sodass wir nicht drei Jahre auf die Berechnung der Karte warten mussten», lacht Nico Lang.

Transparenz durch Abschätzung der Unsicherheiten
Nico Lang bereitete denn nicht nur ein CNN auf diese Aufgabe vor, sondern gleich mehrere – ein sogenanntes Ensemble – davon. «Ein wichtiger Aspekt für uns war, den Nutzer*innen auch die Unsicherheit der Schätzung mitzuliefern», sagt er. Die insgesamt fünf neuronalen Netzwerke wurden unabhängig voneinander trainiert, wobei jedes seine eigene Schätzung der Baumhöhen angibt.

«Sind alle Modelle einer Meinung, ist die Antwort auf Basis der Trainingsdaten eindeutig. Kommen die Modelle zu unterschiedlichen Antworten, bedeutet dies, dass es eine höhere Unsicherheit in der Schätzung gibt», erklärt Nico Lang. In die Modellierung fließen auch Unsicherheiten in den Daten selbst mit ein: Ist ein Satellitenbild beispielsweise dunstig, ist die Unsicherheit grösser, als wenn die atmosphärischen Verhältnisse gut sind.

Grundlage für zukünftige ökologische Forschung
Dank ihrer hohen Auflösung bietet Langs globale Karte Einblick in interessante Details: «Wir konnten bereits spannende Muster entdecken», erzählt Konrad Schindler. «In den Rocky Mountains beispielsweise wird die Forstwirtschaft in fixen Quadraten betrieben und auch der Regenwald formt interessante Strukturen, die nicht zufällig sein können.» Nun sei es Ökolog*innen möglich, die aufgenommenen Muster und Daten weltumfassend zu interpretieren.

Damit die Forschung weitergeführt werden kann, werden die Karte sowie der Source Code öffentlich zugänglich sein. Erste Interessenten haben sich bereits gemeldet: Walter Jetz, Professor an der Yale Universität, möchte die Global Canopy Height Map zur Biodiversitätsmodellierung nutzen. Doch auch für Regierungen, Verwaltungen und NGOs könnte die Karte interessant sein. «Dank Sentinel-​2 könnte man alle fünf Tage die Vegetationshöhen neu berechnen und hätte so ein Monitoring, um die Regenwaldabholzung zu beobachten», meint Nico Lang.

Darüber hinaus sei es nun auch möglich, regionale Erkenntnisse wie die Eigenschaft von tropischen Blätterdächern als klimatischer Puffer zu wirken, global zu validieren. Gekoppelt mit dem High Carbon Stock Approach, der wertvolle Wälder für Kohlenstoffspeicherung und Biodiversität klassifiziert, ist die Vegetationshöhen-​Karte eine wichtige Grundlage für die Erhaltung und Stärkung der Ökosysteme. Gemäß Langs Berechnungen befindet sich bloß auf 5 Prozent der Landmasse Vegetation von mehr als 30 Metern Höhe und nur 34 Prozent davon stehen in geschützten Gebieten.

Da die GEDI-​Mission im Jahr 2023 beendet werden soll, bietet Langs neu entwickelter Ansatz die Möglichkeit auch zukünftig Vegetationshöhen zu kartieren. Allerdings wäre eine Verlängerung der GEDI-​Mission, über die zurzeit auch international in Mediencall_made diskutiert wird, wichtig, um die Daten mit zukünftigen Satellitenmissionen wie der ESA Biomass Mission abzugleichen und das Modell auf Veränderungen zu kalibrieren.

Originalpublikation:
ETH: https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2022/04/neuronales-netzwerk-kann-baumhoehen-von-satellitenbildern-ablesen.html
arXiv: https://arxiv.org/abs/2204.08322

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Neuronales Netzwerk kann Baumhöhen von Satellitenbildern ablesen erschien zuerst auf Raumfahrer.net.

Quelle: Technische Universität Wien.

25. Januar 2022 – Wenn man solche Prozesse analysieren will, ist man auf Hochleistungscomputer angewiesen – und auf hochkomplexe Computersimulationen, deren Ergebnisse schwierig auszuwerten sind. Daher liegt die Idee nahe, künstliche Intelligenz bzw. machine learning dafür zu verwenden. Gewöhnliche machine-learning-Algorithmen sind für diese Aufgabe allerdings nicht geeignet. Die mathematischen Eigenschaften der Teilchenphysik machen eine ganz besondere Struktur von neuronalen Netzen notwendig. An der TU Wien konnte nun gezeigt werden, wie man neuronale Netze mit Erfolg für diese herausfordernden Aufgaben der Teilchenphysik nutzen kann.

Neuronale Netze
„Ein Quark-Gluon-Plasma möglichst realistisch zu simulieren nimmt extrem viel Rechenzeit in Anspruch“, sagt Dr. Andreas Ipp vom Institut für Theoretische Physik der TU Wien. „Selbst die größten Supercomputer der Welt sind damit rasch überfordert.“ Es wäre daher wünschenswert, wenn man nicht jedes Detail präzise berechnen müsste, sondern mit Hilfe einer künstlichen Intelligenz gewisse Eigenschaften erkennen und vorhersagen könnte.

Man verwendet daher neuronale Netze, wie sie etwa auch für die Bilderkennung verwendet werden: Virtuelle „Zellen“ werden am Computer auf ähnliche Weise vernetzt wie Neuronen im Gehirn – und so entsteht ein Netz, das zum Beispiel erkennen kann, ob auf einem bestimmten Bild eine Katze zu sehen ist oder nicht.

Wenn man diese Technik auf das Quark-Gluon-Plasma anwendet, stößt man allerdings auf ein schwerwiegendes Problem: Die Felder, mit denen man die Teilchen und die Kräfte zwischen ihnen mathematisch beschreibt, können auf unterschiedliche Arten dargestellt werden. „Man spricht hier von Eichsymmetrien“, sagt Ipp. „Das Grundprinzip kennen wir aus dem Alltag: Wenn ich ein Messgerät anders eiche, etwa wenn ich bei meinem Thermometer statt der Celsius-Skala die Kelvin-Skala verwende, dann erhalte ich völlig andere Zahlen, auch wenn ich denselben physikalischen Zustand beschreibe. Bei Quantentheorien ist es ähnlich – nur dass dort die erlaubten Eichungen mathematisch viel komplizierter sind.“ Mathematische Objekte, die auf den ersten Blick völlig unterschiedlich aussehen, können denselben physikalischen Zustand beschreiben.

Eichsymmetrien in die Struktur des Netzes eingebaut
„Wenn man diese Eichsymmetrien nicht berücksichtigt, kann man die Ergebnisse der Computersimulationen nicht sinnvoll interpretieren“, sagt Dr. David I. Müller. „Einem neuronalen Netz beizubringen, diese Eichsymmetrien von sich aus zu erkennen, wäre extrem schwierig. Viel besser ist es, von vornherein die Struktur des neuronalen Netzes so zu gestalten, dass die Eichsymmetrie automatisch berücksichtigt wird – dass also unterschiedliche Darstellungen desselben physikalischen Zustands im neuronalen Netz auch dieselben Signale hervorrufen. Genau das ist uns jetzt gelungen: Wir haben ganz neue Netzwerk-Schichten entwickelt, die von sich aus die Eichinvarianz berücksichtigen.“ In einigen Beispielanwendungen wurde gezeigt, dass diese Netze tatsächlich viel besser lernen können, mit den Simulationsdaten des Quark-Gluon-Plasmas umzugehen.

„Mit solchen neuronalen Netzwerken wird es möglich, Vorhersagen über das System zu treffen – etwa abzuschätzen, wie das Quark-Gluon-Plasma zu einem späteren Zeitpunkt aussehen wird, ohne wirklich jeden einzelnen zeitlichen Zwischenschritt im Detail ausrechnen zu müssen“, sagt Andreas Ipp. „Und gleichzeitig ist sichergestellt, dass nur solche Ergebnisse herauskommen können, die der Eichsymmetrie nicht widersprechen – die also prinzipiell physikalisch sinnvoll sind.“

Bis man etwa Atomkernkollisionen am CERN mit solchen Methoden vollständig simulieren kann, wird noch einige Zeit vergehen, aber die neue Art neuronaler Netze liefert ein völlig neues und vielversprechendes Werkzeug um physikalische Phänomene zu beschreiben, bei denen alle anderen Rechenmethoden sehr rasch völlig überfordert sind.

Originalpublikation:
M. Favoni, A. Ipp, D. I. Müller, and D. Schuh, Lattice Gauge Equivariant Convolutional Neural Networks, Phys. Rev. Lett. 128, 032003 (2022).
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.128.032003

Diskutieren Sie mit im Raumcon-Forum:

• KI und Raumfahrt

Der Beitrag Künstliche Intelligenz für die Teilchenphysik erschien zuerst auf Raumfahrer.net.

Quelle: Max-Planck-Institut für Intelligente Systeme (MPI-IS).

Tübingen/Potsdam/Maryland 8. Dezember 2021 – Schwarze Löcher sind eines der größten Rätsel des Universums. Mit einer Masse Milliarden mal so groß wie die unserer Sonne erzeugen zwei ineinander verschmelzende schwarze Löcher in einer gewaltigen Explosion eine Gravitationswelle, die sich mit Lichtgeschwindigkeit im Universum ausbreitet. Gigantische Detektoren in den USA (LIGO) und Italien (Virgo) messen diesen Beleg für das von Albert Einstein 1916 vorhergesagte Phänomen: die Veränderung der Raumzeit. Ein Beben des Universums. 100 Jahre später wurde die erste Gravitationswelle tatsächlich gemessen. Kurz darauf, im Jahr 2017 folgte dafür der Physik-Nobelpreis.

Seit der ersten Entdeckung von Gravitationswellen vergleichen die LIGO- und Virgo-Wissenschaftler*innen die von den Observatorien gesammelten Daten mit theoretischen Vorhersagen, um so die Eigenschaften der Quelle abzuschätzen, z. B. wie groß die schwarzen Löcher sind und wie schnell sie sich drehen. Derzeit dauert dieses Verfahren mehrere Stunden, oft sogar Monate.

Ein interdisziplinäres Forscherteam des Max-Planck-Instituts für Intelligente Systeme (MPI-IS) in Tübingen und des Max-Planck-Instituts für Gravitationsphysik (Albert-Einstein-Institut/AEI) in Potsdam nutzt modernste Methoden des maschinellen Lernens, um diesen Prozess zu beschleunigen. Die Wissenschaftler*innen entwickelten einen Algorithmus, der ein tiefes neuronales Netz verwendet, das ähnlich wie ein menschliches Gehirn auf mehreren Ebenen große Datensätze analysiert. Sekundenschnell schließt das System auf alle Eigenschaften der beiden miteinander verschmelzenden schwarzen Löcher. Die Forschungsergebnisse wurden heute in der bedeutendsten Fachzeitschrift für Physik, den Physical Review Letters, veröffentlicht.

„Unsere Methode kann in wenigen Sekunden sehr genaue Aussagen darüber treffen, wie groß und schwer die zwei schwarzen Löcher waren, die bei ihrer Verschmelzung die Gravitationswellen erzeugt haben. Wie schnell rotieren die schwarzen Löcher, wie weit sind sie von der Erde entfernt und aus welcher Richtung kommt die Gravitationswelle? All diese Informationen können wir aus den Beobachtungsdaten ableiten und darüber hinaus Aussagen über die Genauigkeit dieser Berechnung treffen“, erklärt Maximilian Dax, Erstautor der Publikation Real-Time Gravitational Wave Science with Neural Posterior Estimation. Der Doktorand der Abteilung für Empirische Inferenz am MPI-IS ist Mitglied der LIGO Scientific Collaboration.

Das Forscherteam trainierte das neuronale Netz mit vielen Simulationen — vorausberechnete Gravitationswellen für hypothetische Doppelsysteme von schwarzen Löchern kombiniert mit dem Rauschen der Detektoren. Auf diese Weise lernt das Netzwerk die Zusammenhänge zwischen den gemessenen Gravitationswellendaten und den Parametern, die das zugrunde liegende System schwarzer Löcher charakterisieren. Es dauert zehn Tage, bis der Algorithmus namens DINGO (die Abkürzung steht für Deep INference for Gravitational-wave Observations) ausgelernt hat. Dann ist er einsatzbereit: in nur wenigen Sekunden leitet das Netzwerk aus den Daten neu beobachteter Gravitationswellen die Größe, die Eigendrehimpulse und alle anderen Parameter ab, die die schwarzen Löcher beschreiben. Die hochgenaue Analyse entschlüsselt fast in Echtzeit die Kräuselungen der Raumzeit – das hat es in dieser Geschwindigkeit und Präzision noch nie gegeben.

„Je weiter wir mit immer empfindlicheren Detektoren ins Weltall blicken, desto mehr Gravitationswellen werden gemessen. Schnelle Methoden wie die unsere sind daher unerlässlich, um all diese Daten in angemessener Zeit zu analysieren“, sagt Stephen Green, Wissenschaftler in der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am AEI. „DINGO hat den Vorteil, dass es – einmal trainiert – neue Ereignisse sehr schnell analysieren kann. Wichtig ist dabei auch, dass es detaillierte Schätzungen der Ungenauigkeit von Parametern liefert, die in der Vergangenheit mit Methoden des maschinellen Lernens nur schwer zu ermitteln waren.“

Bislang verwenden die Forscher*innen der LIGO- und Virgo-Kollaborationen sehr rechenintensive Algorithmen zur Analyse der Daten. Sie benötigen für die Interpretation jeder Messung Millionen neuer Simulationen von Gravitationswellen. Das dauert mehrere Stunden bis Monate – DINGO jedoch ist weitaus schneller, da das trainierte Netzwerk keine weiteren Simulationen für die Analyse neuer Beobachtungsdaten benötigt; ein Verfahren, das als „amortisierte Inferenz“ bekannt ist.

Diskutieren Sie mit im Raumcon-Forum:

• Gravitationswellen

Der Beitrag Neuronales Netz analysiert Gravitationswellen in Echtzeit erschien zuerst auf Raumfahrer.net.