🇺🇸 Matteo Paz

Matteo Paz wuchs in Pasadena, Kalifornien, auf – einer Stadt, deren Skyline intellektuell vom California Institute of Technology und dem Jet Propulsion Laboratory der NASA dominiert wird. Aus räumlicher Nähe wurde Bestimmung. Im Jahr 2022, während er noch Unterstufenschüler an der High School war, schrieb sich Paz in Caltechs Planet Finder Academy ein, einem Outreach-Programm, das Schülern einen ersten Einblick in die echte Astronomie bieten soll.

Eine Kostprobe war nicht genug. Paz meldete sich für ein sechswöchiges Sommerprogramm am Caltech an, das Schüler mit Mentoren auf dem Campus zusammenbringt, wo er mit dem Astronomen Davy Kirkpatrick am IPAC, Caltechs astronomischem Datenzentrum, zu arbeiten begann. Die Aufgabe, die sein Leben verändern sollte, betraf NEOWISE – das umfunktionierte Infrarot-Weltraumteleskop Wide-field Infrared Survey Explorer, das über ein Jahrzehnt lang den gesamten Himmel im Infrarotlicht gescannt hatte, primär auf der Suche nach erdnahen Asteroiden.

Das Archiv von NEOWISE war zugleich ein Schatz und ein Problem. Die Mission hatte rund 200 Milliarden einzelne Dateneinträge produziert, die fast zwei Jahrzehnte Himmelsbeobachtungen umfassten. In diesem Heuhaufen vergraben waren variable Objekte – pulsierende Sterne, Doppelsternsysteme, die einander verdecken, ferne von Schwarzen Löchern angetriebene Galaxien, die aufflackern –, deren Helligkeit sich im Laufe der Zeit verändert. Sie von Hand zu identifizieren, eine Lichtkurve nach der anderen, war bei dieser Größenordnung schlicht unmöglich.

Paz' Antwort bestand darin, aufzuhören, von Hand zu suchen. Er entwickelte einen Algorithmus für maschinelles Lernen – ein KI-Modell, trainiert darauf, die subtilen Infrarotsignaturen von Variabilität in den Rohdaten zu erkennen –, der in der Lage war, das gesamte NEOWISE-Archiv zu durchforsten und Quellen herauszufiltern, deren Helligkeit sich tatsächlich veränderte, im Gegensatz zu instrumentellem Rauschen, das sich als solche ausgab.

Die Ergebnisse waren überwältigend. Sein Algorithmus markierte etwa 1,5 Millionen zuvor unbekannte potenzielle Himmelsobjekte – Kandidaten für variable Sterne, Schwarze Löcher und andere astrophysikalische Quellen, die jahrelang in den eigenen Daten der NASA gelegen hatten, ungesehen. In der Astronomie, wo eine einzige neue Entdeckung eine Karriere rechtfertigen kann, war ein Katalog von 1,5 Millionen Kandidaten, erstellt von einem Teenager, ein echtes Ereignis.

Die Arbeit war keine Blackbox-Nummer. Paz und sein Mentor Kirkpatrick bereiteten die Ergebnisse für die professionelle Gemeinschaft auf, mit dem Plan, den vollständigen Katalog variabler Objekte aus den NEOWISE-Daten zu veröffentlichen, sodass Astronomen weltweit die Entdeckungen weiterverfolgen können. Das Projekt demonstrierte ein Prinzip mit Implikationen weit über ein Teleskop hinaus: Enorme wissenschaftliche Werte liegen in archivierten Daten schlummernd, wartend darauf, durch bessere Werkzeuge freigesetzt zu werden.

Im März 2025 trat Paz bei der Regeneron Science Talent Search an, dem Wettbewerb (ehemals gesponsert von Westinghouse und Intel), der seit 1942 Amerikas begabteste junge Wissenschaftler identifiziert – seine Absolventen umfassen zahlreiche Nobelpreisträger. Gegen 40 Finalisten, deren Projekte von der Behandlung seltener Muskelkrankheiten bis zur Lösung langjähriger mathematischer Probleme reichten, belegte Paz den ersten Platz und gewann das Preisgeld von 250.000 Dollar.

Die Berichterstattung über seinen Sieg, vom Smithsonian bis zu Caltechs eigenen Publikationen, betonte denselben Punkt: Dies war kein Schüler, der Forschung nachahmt, sondern ein Schüler, der Forschung auf professionellem Niveau betreibt. Das Steward Observatory der University of Arizona merkte mit einigem Stolz an, dass sein Mentor Kirkpatrick ihr PhD-Absolvent war – eine Erinnerung daran, dass große Wunderkinder gewöhnlich das Produkt sind von Talent, das auf großzügige Mentorschaft trifft.

Paz hat offen über die Ursprünge seines mathematischen Selbstvertrauens gesprochen und dabei einem inspirierenden Mathematiklehrer an der High School gedankt, der seine Liebe zum Fach beschleunigte, sowie Caltechs Programmen dafür, ihm ein echtes Problem anstatt eines Spielzeugproblems in die Hand gegeben zu haben. Seine Entwicklung – vom Outreach-Programm-Schüler zum Autor eines Millionen-Objekt-Katalogs – dauerte kaum drei Jahre.

Die technische Herausforderung, die er löste, verdient Erwähnung. NEOWISE war darauf ausgelegt, Asteroiden aufzuspüren, nicht variable Sterne zu katalogisieren; seine Beobachtungen jedes beliebigen Himmelsausschnitts waren episodisch, verrauscht und niemals für die Art zeitabhängiger Astronomie gedacht, die Paz versuchte. Echte Variabilität aus diesen Daten zu extrahieren bedeutete, ein Modell zu lehren, das wahre Flackern eines Sterns von instrumentellen Artefakten, kosmischen Strahlungstreffern und den tausend Weisen, auf die ein Detektor lügen kann, zu unterscheiden. Professionelle Durchmusterungen beschäftigen Teams und Jahre für solche Arbeit. Paz verdichtete sie auf ein High-School-Forschungsprojekt – und erstellte eine Kandidatenliste groß genug, um Folge-Astronomen für ein Jahrzehnt zu beschäftigen.

Das Preisgeld, so beträchtlich es ist, könnte sich als der am wenigsten wertvolle Teil seines Sieges erweisen. Die Regeneron Science Talent Search funktioniert als Amerikas zuverlässigstes Frühwarnsystem der Wissenschaft: Ihre Erstplatzierten strömen historisch in die Eliteforschungsinstitutionen und -labore des Landes, und Paz – bereits vor Abschluss der High School am IPAC des Caltech verankert – tritt in diese Pipeline mit einem bereits hinter ihm liegenden Ergebnis auf professionellem Niveau ein. Astronomen, die zum Projekt zitiert wurden, brachten den Punkt klar zum Ausdruck: Der Katalog ist keine Schülerübung; er ist ein Datensatz, den die Fachwelt tatsächlich nutzen wird.

Was Paz' Geschichte über die Astronomie hinaus zum Resonanzfall macht, ist seine Methode. Er baute kein Teleskop; er baute ein Instrument zum Lesen dessen, was Teleskope bereits sahen. In einer Ära, in der die Wissenschaft schneller Daten erzeugt, als Menschen sie inspizieren können, demonstrierte der Siebzehnjährige aus Pasadena, dass die nächsten großen Entdeckungen jenem gehören könnten, der die besten Algorithmen schreibt – und dass es dafür kein Mindestalter gibt.