Skip to content

experiment_log.md

Latest commit

 

History

History
485 lines (325 loc) · 59.2 KB

experiment_log.md

File metadata and controls

485 lines (325 loc) · 59.2 KB
Raw

Experiment-Log

2026-09-25 – Qualität der Parallaxen im DR3-Hauptkatalog

Datensatz: DR3, parallax >= 5, 3.567.409 Sterne (146 von 192 Chunks).

Gruppe Sterne
parallax_over_error < 5 1.012.722 (28 %)
5 bis 10 906.148 (25 %)
>= 10 1.648.539 (46 %)
parallax >= 10 (100 pc), alle 411.767
parallax >= 10 und parallax_over_error >= 10 277.695
phot_g_mean_mag > 19 2.031.233
RUWE > 1,4 1.195.887 (davon 899.261 mit parallax_over_error < 10)

Beobachtung: Die 411.767 Sterne innerhalb von 100 pc liegen über den rund 330.000 des GCNS, der saubere Sterne enthält. Das bestätigt, dass ein reiner Parallaxen-Schnitt viele schlecht gemessene Sterne einschließt. Die meisten Sterne mit hohem RUWE haben auch eine schlechte Parallaxe.

Entscheidung (vorläufig): Rohdaten behalten, beim Aufbereiten parallax_over_error > 10 setzen. Offen: Einfluss auf lichtschwache M-Zwerge, Auswertung nach Helligkeitsklassen.

2026-09-25 – DR3-Hauptkatalog vollständig, Filter-Prüfung

Download abgeschlossen: 192 von 192 Chunks, 5.244.458 Sterne, alle source_id eindeutig und int64, 676 MB. Sieben Chunks stichprobenartig gegen SELECT COUNT(*) beim Archiv geprüft (0, 16, 34, 64, 145, 162, 191): alle Zeilenzahlen gleich. Chunk 162 (Feld hoher Sterndichte) hat 149.114 Sterne.

Überleben der Schwellen (parallax_over_error):

Gruppe Sterne >= 5 >= 10
alle 5.244.458 68,5 % 42,6 % (2.234.316)
bekannte Planetensterne (NASA, mit DR3-ID) 1.629 100 % 100 %
Orbital-Lösungen (DR3) 10.375 100 % 100 %

Beobachtung: Kein Label-Stern und keine Orbital-Lösung fällt durch den Filter. Einschränkung: Beide Gruppen sind schon auf gute Messungen selektiert (helle Planetensterne, Bahnlösungen brauchen saubere Astrometrie). Der Test sagt nichts über schlecht gemessene wackelnde Sterne, die wir eigentlich finden wollen. Der Filter bleibt daher vorläufig; entschieden wird nach dem Backtest mit Auswertung nach Helligkeitsklassen.

Betriebsnotizen: Der TAP-Dienst des ESA-Archivs brach Async-Jobs ab; wir nutzen den Heidelberg-Spiegel. Einzelne Jobs hängen dort gelegentlich (Chunk 149), deshalb Timeout pro Chunk 180 s mit Wiederholung.

2026-09-25 – HGCA beide Versionen geladen

Quelle: Brandt, physics.ucsb.edu/~tbrandt/HGCA_vDR2.fits (2018, DR2-Bezugssystem) und HGCA_vEDR3.fits (2021). VizieR hat nur die 2021-Version (J/ApJS/254/42), deshalb Download direkt von der Autorenseite (Redirect http→https beachten, sonst kommt eine 382-Byte-HTML-Datei).

  • hgca_dr2.parquet: 115.662 Zeilen, aber nur 115.658 verschiedene source_id (vier doppelte DR2-IDs). Beim Zusammenführen mit dem DR2-Katalog vorher deduplizieren.
  • hgca_edr3.parquet: 115.346 Zeilen, IDs eindeutig; 50.254 davon liegen im DR3-Nahsternkatalog (unfiltert).
  • source_id ist in der DR2-Edition eine DR2-ID, in der EDR3-Edition eine DR3-ID. Der Backtest verknüpft die DR2-Edition nur mit DR2-Sternen.

2026-09-25 – Backtest-Ziel: DR3 hat praktisch keine planetaren Begleiter in binary_masses

Zählung (nss_two_body_orbit verknüpft mit binary_masses, m2 in Sonnenmassen, 1 M_Jup = 9,5479e-4 M_sun):

  • binary_masses: 195.315 Zeilen, 195.239 verschiedene source_id (76 Sterne mit mehreren Zeilen).
  • Kein einziger Begleiter unter 13 M_Jup. Die kleinste Masse ist 32,1 M_Jup. Das Hauptziel des Backtests hat damit 0 Treffer.
  • Unter 80 M_Jup: 44 Zeilen (Kombinationen Orbital+M1 9, Orbital+SB1+M1 5, AstroSpectroSB1+M1 30), fast alle im Nahsternkatalog. Die Sterne mit Orbital-Lösung und Orbital+M1 (nur astrometrisch, m2 aus der Bahn und m1 aus der Leuchtkraft) haben sehr rote, lichtschwache Primärsterne (m1 ca. 0,13 M_sun, G ca. 16–18): Es sind Braune-Zwerg-Begleiter von M-Zwergen.
  • m2 ist für Orbital nur bei 5.454 von 111.792 Zeilen vorhanden; SB1+M1 hat nie m2.

Folgerung: Das im Manifest v0.2 festgelegte Backtest-Ziel ist mit den DR3-Daten nicht erreichbar. Das Modell kann im Backtest nicht auf planetare Begleiter geprüft werden. Entscheidung offen (siehe Manifest).

Nachtrag (gleicher Tag): Eigene Massenschätzung aus Thiele-Innes-Elementen, Parallaxe, Periode und m1 (masses.py). Validierung an 6.948 Lösungen mit Gaia-eigenem m2: Verhältnis median 1,000, Quartile 1,000/1,000. Ergebnis für Orbital mit m1 (nach Ausschluss von vier zurückgezogenen Lösungen): 1.503 unter 80 M_Jup, 17 unter 13 M_Jup; OrbitalTargetedSearch 18 bzw. 3, OrbitalTargetedSearchValidated 15 bzw. 5. Manifest 0.6.

2026-09-25 – Prüfung der Massenschätzung und des Backtest-Ziels

  • BD+75 510 = HIP 66074 = Gaia DR3 1712614124767394816 (SIMBAD). Die Ausschlussliste ist vollständig.
  • Vergleich mit Gaia: Kiefer et al. (2025) nennen für die Gaia-Kollaboration (Gaia Collaboration 2023a) 1843 Kandidaten für Braune Zwerge und 72 für Exoplaneten (Quelle vom Projektpartner genannt, von mir nicht selbst nachgeprüft). Wir finden 1.503 (unter 80 M_Jup) und 17 (unter 13 M_Jup). Die Differenz ist erwartbar: Gaia zählte Kandidaten, deren Unsicherheitsbereich in den Planetenbereich reicht; wir zählen nur, wo der Schätzwert selbst darunter liegt.
  • Grenze der Validierung: Das Verhältnis 1,000 zu Gaias m2 (median, Quartile) zeigt nur, dass wir Gaias Rechnung reproduzieren, nicht dass die Massen genau sind. Systematische Fehler (dunkler-Begleiter-Annahme, m1) stecken in beiden Werten.
  • Abdeckung durch unsere Stichprobe (Parallaxe >= 5 mas, ca. 200 pc): Von 1.503 Treffern unter 80 M_Jup liegen 1.306 (87 %) in der Stichprobe, alle 17 unter 13 M_Jup. Die übrigen 197 haben Parallaxen unter 5 mas (bis 2,1 mas, ca. 470 pc) und sind für das Modell nicht auffindbar. Der Recall im Backtest wird deshalb nur auf die 1.306 bzw. 17 bezogen. Alle 1.306 haben parallax_over_error >= 10, der Filter verliert keinen davon.
  • Fehlendes m1: In der Stichprobe haben 461 von 10.375 Orbital-Lösungen (4,4 %) kein m1 in binary_masses. Sie sind hell (Median G = 9,2, BP-RP = 1,03), also keine lichtschwachen M-Zwerge; der befürchtete Bias gegen M-Zwerge tritt nicht auf. Diese Sterne bekommen keine Massenschätzung und sind weder Treffer noch als sicher „kein Treffer“ eingestuft. Später zu klären: sie im Backtest aus Training und Auswertung ausschließen (Empfehlung) oder eine Masse-Helligkeits-Beziehung einsetzen und die Herkunft markieren.
  • dr2_neighbourhood: Der Download der Verknüpfung für den ganzen DR2-Nahsternkatalog war zu langsam (ca. 2,4 min pro Chunk, hochgerechnet ca. 8 Stunden) und wurde abgebrochen. Ersatz: Wir laden nur die Verknüpfungszeilen der DR3-Quellen mit Orbital*-Lösung (Upload der IDs ans Archiv, download_dr2_links). Sie genügen, um DR3-Ergebnisse an DR2-Sterne zu hängen.

Anmerkung: DR2-Parallaxen haben einen kleinen systematischen Nullpunktversatz (einige hundertstel mas). Bei der Stichprobengrenze von 5 mas ist das vernachlässigbar (Grenze verschiebt sich um weniger als 1 %); wir korrigieren ihn nicht.

2026-09-25 – RUWE-Kalibrierung DR3 (calibration.py)

Verfahren: Median und 16/84-Perzentile von RUWE je Zelle aus G-Helligkeit (0,25 mag) und BP-RP (0,2 mag); Zellen mit weniger als 100 Sternen fallen auf den G-Streifen, dann auf den globalen Wert zurück. Kalibriert auf dem DR3-Nahsternkatalog selbst (5.228.166 Sterne mit RUWE und G); 900 Zellen, 70 G-Streifen. Features: ruwe_expected, ruwe_excess, ruwe_z (data/processed/ruwe_features_dr3.parquet). 5.215.484 Sterne nutzen eine Zelle, 12.328 den G-Streifen, 16.646 den globalen Wert (meist ohne BP-RP oder G).

Ergebnis:

  • Der rohe RUWE hängt stark von der Helligkeit ab: Median 1,03 bei G = 6–10, 1,65 bei G = 18–20; 60 % der Sterne bei G = 18–20 haben RUWE > 1,4. Nach der Kalibrierung liegt der Median von ruwe_z in jedem G-Bereich bei 0,00 (Ausnahme: G < 4 mit 460 Sternen).
  • Anteil ruwe_z > 3: 4–13 % je Helligkeitsbereich (statt 12–60 % beim rohen RUWE > 1,4).
  • Signal: Orbital-Lösungen haben Median ruwe_z = 5,72 (74 % über 3). Die Treffer unter 80 M_Jup haben 2,75 (47 % über 3). Sie wackeln also erkennbar, aber ein großer Teil (53 %) fällt mit ruwe_z <= 3 nicht auf.
  • Bekannte Planetensterne (NASA, DR3-ID, in der Stichprobe): Median ruwe_z = -0,03, 0,9 % über 3. Sie unterscheiden sich in RUWE nicht von der Population. Die meisten sind per Transit oder Radialgeschwindigkeit entdeckt und wackeln für Gaia nicht messbar.

Folgerung, offen: Ein Modell, das nur bekannte Planetensterne als Positive lernt (Manifest, Version 1), lernt kaum Wackel-Signal, weil dieses Label nicht mit RUWE zusammenhängt. Es besteht die Gefahr, dass es Helligkeit und Entfernung der Survey-Auswahl lernt (der Survey-Bias, den SHAP prüfen soll). Zu klären vor dem Training: (a) Label wie geplant und beobachten, (b) zusätzlich ein Modell direkt auf das Backtest-Ziel (DR3-Orbit-Lösung unter 80 M_Jup) trainieren, (c) Vergleich beider.

2026-09-25 – Erreichbarkeit der Backtest-Ziele in DR2-Begriffen

DR2↔DR3-Verknüpfung (dr2_neighbourhood, über TAP-Upload für alle 135.760 DR3-Quellen mit Orbital*-Lösung): 138.139 Zeilen, 2.336 Quellen mit mehreren DR2-Kandidaten. Auflösung: kleinster Winkelabstand.

Orbital-Ziele mit m1:

Stufe unter 80 M_Jup unter 13 M_Jup
alle 1.503 17
in der DR3-Stichprobe (Parallaxe >= 5 mas) 1.306 17
DR2-Gegenstück gefunden 1.503 17
DR2-Gegenstück in der DR2-Stichprobe (DR2-Parallaxe >= 5 mas) 1.304 17
DR2 parallax_over_error >= 10 1.304 17

Die Recall-Basis im Backtest ist 1.304 (bzw. 17). Die Sorge, die DR2-Stichprobe verliere viele Wackelsterne, bestätigt sich für die Ziele kaum: Nur zwei bis drei der 1.306 gehen verloren, und alle Ziele bestehen den DR2-Filter. Die DR2-Parallaxe der Ziele ist offenbar meist gut genug. Für die restlichen 199 Ziele gilt weiter: Parallaxe unter 5 mas.

Offen für Liste 2: Der Kiefer-et-al.-Katalog (A&A 702, A77, 2025; 9.698 Kandidaten, G < 16, Begleiter unter 13,5 M_Jup, 1–3 AE) ist vermutlich über Zenodo (Anhänge als PDF) und/oder VizieR erhältlich. Ob eine maschinenlesbare Tabelle existiert, ist nicht bestätigt (VizieR-Suche ohne Treffer).

2026-09-25 – DR2-Parallaxen der Ziele, Gaias Auswahl, RUWE-Kalibrierung DR2

Warum die Ziele den DR2-Filter bestehen. parallax_over_error in DR2 bei den 1.304 erreichbaren Zielen unter 80 M_Jup: Minimum 25,1, 5. Perzentil 67,4, Median 150,8 (zum Vergleich: Median der ganzen DR2-Stichprobe 7,1). Median-Parallaxe 10,4 mas (ca. 96 pc), Median G = 14,7. Die Ziele sind also nahe Sterne mit sehr genauer Parallaxe, selbst ein aufgeblähter Fehler senkt parallax_over_error nicht unter 25.

Das Ziel ist teilweise durch Gaias eigene Auswahl definiert. Gaia hat in DR3 Bahnlösungen nur für Sterne gerechnet, die bestimmte Kriterien erfüllten (u. a. erhöhter RUWE, ausreichende Helligkeit und Messqualität). Das Ziel heißt genau genommen: „Stern, den Gaias Pipeline ausgewählt hat und bei dem sie einen substellaren Begleiter fand“. Das ist für die Wette richtig, denn gemessen wird gegen Gaias Veröffentlichung. Folgen: (1) Das Modell lernt neben der Physik auch Gaias Auswahlkriterien mit; ein hohes parallax_over_error ist schon eine Eigenschaft der Zielsterne (Median 151 gegenüber 7,1). (2) Ändert Gaia die Kriterien für DR4, kann sich das Verhalten des Modells verschieben. Das ist eine bekannte Grenze neben der längeren Messzeit.

Kalibrierung DR2 (ruwe_grid_dr2.parquet, ruwe_features_dr2.parquet; gleicher Code wie DR3): 5.960.755 Sterne, 888 Zellen; 5.946.344 Sterne nutzen eine Zelle, 14.156 den G-Streifen, 255 den globalen Wert. Der rohe RUWE-Median steigt von 1,03 (G = 6–10) auf 1,67 (G = 18–20, dort 62 % über 1,4); nach der Kalibrierung liegt ruwe_z in jedem Bereich bei 0,00 (Ausnahme G < 4, weniger als 600 Sterne).

Signal in DR2 (ruwe_z, Median und Anteil über 3):

Gruppe Sterne Median Anteil über 3 DR3 zum Vergleich
alle 5.960.755 0,00 6,0 % 6,7 %
bekannte Planetensterne (disc_year <= 2017) 674 −0,08 1,2 % 0,9 %
Ziele unter 80 M_Jup 1.304 1,43 22,4 % 47 %
Ziele unter 13 M_Jup 17 0,24 0 % –
Orbital insgesamt (mit Verknüpfung) 9.891 3,58 56 % 74 %

Befunde: (1) Das Wackel-Signal ist in DR2 deutlich schwächer als in DR3, wie erwartet (kürzere Messdauer). (2) Die 17 Ziele unter 13 M_Jup zeigen in DR2 im RUWE praktisch kein Signal (Median 0,24, keiner über 3): Für Liste 2 trägt RUWE allein im Backtest nicht; die Validierung stützt sich auf andere Größen. (3) Die bekannten Planetensterne bleiben unauffällig, wie in DR3.

2026-09-25 – Feature-Tabellen und RUWE-Baseline im Backtest DR2→DR3

Tabellen: features_dr2.parquet (5.960.755 Sterne), features_dr3.parquet (5.244.458), targets_dr2.parquet. Gemeinsame Merkmale (COMMON in features.py) sind für beide Releases gleich berechnet; DR2 enthält keine DR3-only-Spalten (per Test geprüft). HGCA-Abdeckung 0,8 % (DR2) und 1,0 % (DR3). Ziel je DR2-Stern: verknüpfte DR3-Orbital-Lösung (kleinster Winkelabstand) mit geschätzter Masse unter 80 bzw. 13 M_Jup. Ausgeschlossen (Label unbekannt, weder positiv noch negativ): 897 Sterne, davon 451 mit Orbital-Lösung ohne m1 und 446 mit OrbitalTargetedSearch*/OrbitalAlternative*. Positive und ausgeschlossene Sterne überlappen sich nicht. Die Negativen enthalten 9.033 Sterne mit Orbital-Lösung und größerer Begleitermasse (Median ruwe_z 3,96): Das Modell muss substellar von stellar unterscheiden, nicht nur wackelnd von ruhig.

Baseline (Population = DR2-Stichprobe mit Filter parallax_over_error >= 10: 2.304.869 Sterne, 1.304 Treffer unter 80 M_Jup, Basisrate 0,057 %):

Score AUC AP Recall@1 % Recall@5 % Recall@10 % bester Rang P@100
RUWE 0,783 0,0012 0,0 % 1,3 % 9,8 % 35.627 0
ruwe_z 0,830 0,0017 0,0 % 5,8 % 39,7 % 52.653 0
astrometric_excess_noise_sig 0,786 0,0015 0,1 % 7,5 % 25,7 % 22.881 0

Ohne Filter: AUC RUWE 0,684, ruwe_z 0,809, astrometric_excess_noise_sig 0,762. Variante „nur neue Treffer“ ist von „alle“ praktisch nicht zu unterscheiden (658 bekannte Planetensterne, fast keiner unter den Treffern).

Befunde:

  1. P@10, P@30 und P@100 sind für alle Baselines 0. Die obersten Plätze der RUWE-Sortierung sind Extremfälle (RUWE 38–112, G ca. 12): sehr wahrscheinlich enge stellare Doppelsterne oder Messartefakte, kein Ziel darunter. Der beste Treffer steht auf Rang 23.000–53.000 von 2,3 Mio. Für den Backtest folgt: Ein Modell, das schon einen Treffer in die Top 100 bringt, schlägt die Baseline, aber ein Verhältnis zur Baseline ist nicht definiert. Deshalb die Zusatzmetriken (Manifest 0.11).
  2. Die Kalibrierung hilft: ruwe_z schlägt den rohen RUWE deutlich (AUC 0,83 gegenüber 0,78; Recall@10 % 40 % gegenüber 10 %).
  3. Der Qualitätsfilter parallax_over_error >= 10 verbessert die Baseline (AUC RUWE 0,68 → 0,78), weil er Sterne mit verfälschtem RUWE entfernt, ohne ein Ziel zu verlieren.
  4. Eine reine Wackel-Sortierung findet die Ziele nicht an der Spitze, weil dort stellare Doppelsterne stehen. Erwartung für Modell A: Es muss lernen, extreme Wackler (Doppelsterne) von moderaten (substellare Begleiter) zu trennen.

2026-09-25 – Physikalische Features und ein Befund zum Ziel

Neue Features (physics_features.py, je Release aus eigenen Daten): ms_offset (Abstand über der Hauptreihe bei gleicher Farbe, Hauptreihe = Median der absoluten G-Helligkeit je Farbbin, Sterne unter 100 pc mit parallax_over_error >= 20), mass_ms (grobe Hauptreihen-Massentabelle in MASS_TABLE, aus dem Gedächtnis, nicht gegen eine Quelle geprüft) und wobble_ratio (astrometric_excess_noise geteilt durch die größte Reflexbewegung eines 80-M_Jup-Begleiters bei einer Periode gleich der Messdauer: DR2 22, DR3 34 Monate). Fehlende Werte: 4 % bei ms_offset (kein BP-RP).

Werte in DR2 (Filter parallax_over_error >= 10):

Gruppe Median ms_offset Median wobble_ratio 90. Perzentil wobble_ratio
Ziele unter 80 M_Jup (1.304) 0,45 0,21 0,37
Sterne mit Orbital-Lösung, größere Masse (8.587) 0,32 0,39 0,86
Übrige Population −0,06 0,23 1,13
  • wobble_ratio zeigt das erwartete Fenster: Die Ziele haben ein enges Band unter 1 (90. Perzentil 0,37), Doppelsterne mit größerer Masse wackeln stärker (0,39/0,86), die übrige Population hat einen langen Schwanz nach oben (1,13).
  • ms_offset verhält sich anders als erwartet. Erwartet: Doppelsterne über der Hauptreihe, Ziele (dunkle Begleiter) darauf. Beobachtet: Die Ziele liegen in jeder Farbe und Entfernung etwa 0,4–0,5 mag über der Hauptreihe (bei BP-RP 2: 0,42 gegenüber −0,10 in der Population; bei 50 bis 200 pc: 0,43–0,61 gegenüber −0,17 bis −0,04) und sind darin von den stellaren Orbital-Sternen (0,32 bzw. 0,52) nicht zu trennen. Eine Doppelstern-Signatur (gleich große Begleiter heben ein System um 0,75 mag). Mögliche Deutung, nicht belegt: Ein Teil der Ziele unter 80 M_Jup sind unaufgelöste leichte Doppelsterne, deren m1 (FLAME für Einzelsterne) zu groß und deren m2 damit zu klein geschätzt ist. Das passt zu Nachfolgemessungen, die unter astrometrischen Gaia-Kandidaten Braune Zwerge und „Impostor“-Doppelsterne finden (Radialgeschwindigkeits-Nachbeobachtung, arXiv 2609.08590; von mir nicht gelesen). Für die Wette ändert sich nichts (gemessen wird gegen Gaias Veröffentlichung), für die Aussage „substellar“ gilt: Ein Teil der Treffer ist ein Kandidat, keine bestätigte Masse.

2026-09-25 – Modell A, erster Lauf im Backtest DR2→DR3 (model_a.py)

Aufbau (vor dem Lauf festgelegt, nicht getunt): LightGBM, 28 gemeinsame Merkmale (COMMON), Population DR2 mit parallax_over_error >= 10 (2.304.869 Sterne, 1.304 Treffer unter 80 M_Jup, 897 Sterne mit unbekanntem Label ausgeschlossen), 5-fach-Kreuzvalidierung nach HEALPix-Level-2-Region (ganze Pixel pro Fold), Negative im Training 1:50 heruntergesampelt, Early Stopping auf Average Precision mit einer weiteren ausgehaltenen Region, num_leaves 15, min_child_samples 200, reg_lambda 10, Seed 42. Bewertet wird mit den Out-of-Fold-Scores auf der vollen Population. Genau ein Lauf, keine Hyperparameter-Suche.

Metrik Modell A Baseline ruwe_z Baseline RUWE
P@10 0,00 0 0
P@30 0,033 0 0
P@100 0,11 (11 Treffer) 0 0
P@1000 0,111 (111 Treffer) – –
Recall@1 % 55,7 % 0,0 % 0,0 %
Recall@10 % 93,0 % 39,7 % 9,8 %
AUC 0,971 0,830 0,783
AP (Basisrate 0,057 %) 0,0448 0,0017 0,0012
bester Rang 25 52.653 35.627

„Nur neue Treffer“ ist von „alle“ nicht zu unterscheiden. Nach Helligkeit (Liste je Klasse): G 13–16 trägt die meisten Treffer (929 Ziele, P@100 0,14), G 10–13 P@100 0,06, G 16–19 0,09, G < 10 keine Treffer in den Top 100 (30 Ziele), G >= 19 keine Ziele. Wichtigste Merkmale (Gain-Anteil): ruwe_excess 29 %, parallax_over_error 23 %, ruwe 7 %, wobble_ratio 7 %, bp_rp 5 %, ms_offset 5 %.

Was das Modell gelernt hat (Diagnose, Out-of-Fold):

  • In den Top 100: 11 substellare Ziele, 6 Sterne mit Orbital-Lösung größerer Masse, 83 Sterne ohne DR3-Bahnlösung. In den Top 1000: 111, 70 und 819.
  • Das Modell findet Sterne mit irgendeiner DR3-Bahnlösung gut (AUC 0,87 gegen den Rest): ein großer Teil ist Gaias Auswahl (hohe Parallaxen-Genauigkeit, mäßiges Wackeln, G 13–16), nicht Physik. parallax_over_error als Nr. 2 der Merkmale bestätigt das.
  • Innerhalb der Sterne mit Bahnlösung trennt es substellar von stellar mit AUC 0,82 und AP 0,42 (Basisrate 0,13): Das ist der physikalische Teil, er ist echt, aber deutlich schwächer als der Gesamt-AUC vermuten lässt.
  • 82 % der Top 1000 haben in DR3 keine Bahnlösung. Ob sie Fehlalarme sind oder in DR3 nur knapp unter Gaias Auswahlschwelle lagen und in DR4 (66 statt 34 Monate) eine Lösung bekommen, kann der Backtest nicht klären.

Grenzen: Genau ein Datensatz-Split; die Streuung zwischen den Folds ist groß (AP 0,034–0,061 je Region). Der Gesamt-AUC ist durch die Auswahl-Signale aufgebläht. SHAP-Auswertung, Vergleich mit den NASA-Label-Modellen B/B' und Feature-Ablationen stehen noch aus.

2026-09-25 – Massentabelle ersetzt, Ablationen, SHAP, Beschleunigungs-Lösungen, Modelle B/B'

Massentabelle: Die grobe Tabelle aus dem Gedächtnis ist ersetzt durch die Mittelwert-Hauptreihe von Mamajek (Version 2022.04.16, beruht auf Pecaut & Mamajek 2013; src/gaia_wobble/data/mamajek_mg_mass.csv, 72 Zeilen, absolute Gaia-G gegen Masse). Die alte Tabelle lag nahe daran (G2V 1,0 gegen 1,0; M0V 0,60 gegen 0,57; M5V 0,20 gegen 0,16). Features neu berechnet; die Zahlen des ersten Modell-A-Laufs (Eintrag oben) gelten damit als überholt, die Tabelle unten ersetzt sie. Es ist eine Zwergen-Hauptreihe: Riesen, Unterriesen und unaufgelöste Doppelsterne bekommen eine falsche Masse; wobble_ratio ist nur eine ungefähre Größenordnung.

Ablationen (gleiches Protokoll, je ein Lauf, vor dem Start festgelegt; Population DR2 mit parallax_over_error >= 10, 1.304 Treffer unter 80 M_Jup):

Variante Merkmale P@30 P@100 P@1000 AUC AP Recall@1 % AP je Region (min–max)
full 28 0,067 0,08 0,097 0,969 0,0434 54,5 % 0,035–0,058
no_poe 27 0,133 0,09 0,091 0,969 0,0424 55,4 % 0,033–0,054
no_selection 21 0,067 0,07 0,084 0,966 0,0370 51,5 % 0,033–0,055
physics 9 0,167 0,15 0,093 0,966 0,0394 52,2 % 0,032–0,054
physics_strict 6 0,167 0,15 0,096 0,962 0,0383 47,8 % 0,032–0,047

no_selection lässt Parallaxen-Genauigkeit, Helligkeit, Beobachtungszahlen und Sichtbarkeitsperioden weg; physics behält nur Wackel- und Farben-Helligkeits-Merkmale; physics_strict entfernt zusätzlich alle von Parallaxe oder Entfernung abgeleiteten Merkmale (wobble_ratio, abs_g, pm_total). Die Unterschiede zwischen den Varianten (AP 0,038–0,043) liegen im Streuungsbereich der Regionen (0,032–0,058), P@30 und P@100 beruhen auf wenigen Treffern (5–15) und sind nicht unterscheidbar.

Deutung: Das Weglassen der Auswahl-Merkmale und selbst der Parallaxen-abgeleiteten Merkmale kostet kaum etwas. Die Auswahl-Information steckt also nicht in Parallaxe oder Helligkeit, sondern in den Wackel-Statistiken selbst (ruwe_excess, astrometric_excess_noise_sig, chi2_per_dof): Gaia hat Bahnlösungen für Sterne mit erhöhtem Astrometrie-Rauschen gerechnet, und das Modell lernt diese Schwelle mit. Physik und Auswahlregel lassen sich mit diesen Merkmalen nicht trennen. Das Übertragungsrisiko auf DR4 sinkt dadurch nicht, sondern hängt daran, ob Gaia für DR4 dieselben Schwellen auf RUWE und Rauschen benutzt.

SHAP (Out-of-Fold, 1.304 Treffer plus 40.000 zufällige Negative): Im vollen Modell parallax_over_error 22 % (höher = höherer Score), ruwe_excess 15 %, ms_offset 10 % (höher = höherer Score), ruwe 10 %, wobble_ratio 7 % (kleiner = höherer Score: das erwartete Fenster). In der Physik-Variante rückt wobble_ratio auf 23 %, ruwe_excess 22 %, ms_offset 15 %, astrometric_excess_noise_sig 12 %; die Wichtigkeit verschiebt sich auf Merkmale, die Parallaxe enthalten (wobble_ratio, abs_g 6 %). Erst physics_strict schließt diesen Umweg aus (siehe Tabelle: kaum Verlust). Das positive Vorzeichen von ms_offset heißt: Das Modell bevorzugt Sterne oberhalb der Hauptreihe, wie die Ziele selbst sie zeigen.

Beschleunigungs-Lösungen (accel_check.py, nur Auswertung): Anteil der Sterne, die in DR3 eine Lösung in nss_acceleration_astro haben (gekrümmte Bewegung, Messzeit für eine Bahn zu kurz; Kandidaten für DR4):

Gruppe (ohne DR3-Bahnlösung) Sterne Anteil Beschleunigung
Top 1000 von Modell A (full) 824 16,0 %
zufällige Population 20.000 1,1 %
Kontrollgruppe mit gleicher Parallaxen-Genauigkeit, Helligkeit und ruwe_z-Spanne 20.000 7,7 %

Die Top 1000 enthalten 15-mal mehr Beschleunigungs-Lösungen als die Population und etwa doppelt so viele wie eine nach Qualität, Helligkeit und Wackeln ausgewählte Kontrollgruppe. Ein Teil der Anreicherung ist also Qualität und Wackeln, aber es bleibt ein Faktor 2 darüber. Hinweis, kein Beweis, dass die Top-Sterne Langzeit-Begleiter enthalten.

Bestätigte Begleiter und ms_offset (DR3-Features, NASA-Hosts): Astrometrisch entdeckte substellare Begleiter (6 Sterne: GJ 896 A b, HIP 66074 b, Gaia-4 b, HD 128717 b, Gaia-5 b, DENIS-P J082303.1-491201 b): Median ms_offset −0,08 (Quartile −0,46/0,17), Population −0,03. Transit-Hosts 0,08, Radialgeschwindigkeits-Hosts 0,31. Die Ziele des Backtests liegen bei 0,45. Bestätigte dunkle Begleiter sitzen also nahe der Hauptreihe, die Ziele deutlich darüber: Das stützt die Deutung, dass ein Teil der Ziele unter 80 M_Jup leichte Doppelsterne mit zu klein geschätzter Masse ist. Metallizität und die kleine Stichprobe (6) sind Einschränkungen. Die bestätigten astrometrischen Begleiter haben in DR3 auch sehr kleines wobble_ratio (0,01–0,12), sie wurden nicht über das RUWE-Signal gefunden.

Modelle B und B' (NASA-Labels, DR2-Features, gleiches Protokoll; B: 658 Wirtssterne, B': 106 mit erwarteter Amplitude >= 0,1 mas, 32 ohne Masse/Periode; Schwelle vorher festgelegt):

Modell AUC (eigenes Label) AP (eigenes Label) AUC (Ziel) AP (Ziel) P@100 (Ziel) P@1000 (Ziel) Recall@1 % (Ziel)
B 0,942 0,0585 0,641 0,0008 0 0 0,4 %
B' 0,985 0,0166 0,602 0,0009 0 0 0,8 %
A (full) – – 0,969 0,0434 0,08 0,097 54,5 %

B und B' lernen ihr eigenes Label gut (AUC 0,94/0,99, vor allem über Helligkeit und Entfernung der beobachteten Planetensterne), finden das Backtest-Ziel aber praktisch nicht. Die Negativ-Kontrolle bestätigt, dass Planetenlabels ohne Wackel-Bezug für dieses Ziel nichts beitragen. SHAP für B/B' und die AP-Streuung je Region fehlen noch.

2026-09-25 – Manifest 0.13 und erste Anwendung von Modell A (Physik-Variante) auf DR3

Festlegung vor der Anwendung (Manifest 0.13): Modell A = Physik-Variante, Mittel der fünf Regions-Modelle; Liste 2 nur mit ms_offset < 0,2. Die Wahl fiel nach Blick auf die Ablationen (Leistung im Streuungsbereich der Regionen); Hauptargument: Beobachtungszahlen, Sichtbarkeitsperioden und Parallaxen-Fehler verändern sich mit der Messdauer der Releases. Die Ablationen senken das Übertragungsrisiko nicht: Die Auswahlschwelle von Gaia (erhöhtes Astrometrie-Rauschen) steckt in den Wackel-Statistiken selbst und lässt sich nicht herausnehmen, ohne das Signal zu entfernen. Das Modell überträgt sich auf DR4 nur, wenn Gaia dort ähnliche Schwellen benutzt.

Anwendung auf DR3 (apply_dr3.py, Entwicklungslauf, nicht die eingefrorene Liste; 2.234.316 Sterne mit parallax_over_error >= 10):

Gruppe DR3-Bahn unter 80 M_Jup irgendeine DR3-Bahn Beschleunigungs-Lösung bekannter Planet Median ms_offset Median G
Top 100 11 % 13 % 11 % 0 % 0,26 15,0
Top 100 ohne bekannte Fälle 0 % 2 % 11 % 0 % 0,24 15,0
Top 1000 7,4 % 11,8 % 12,7 % 0,1 % 0,34 14,5
Top 1000 ohne bekannte Fälle 0 % 4,7 % 13,4 % 0 % 0,34 14,5
Population 0,1 % 0,5 % 1,2 % 0,1 % −0,03 16,5
  • Nur 11 % der Top 100 (74 von 1000) haben schon eine DR3-Bahn unter 80 M_Jup. Das Modell füllt die Liste nicht mit Sternen, deren Ergebnis feststeht; die Regel „neue Treffer“ (Manifest 0.8) verändert die Top 100 wenig.
  • Nach dem Ausschluss der bekannten Fälle haben 11 % der Top 100 und 13 % der Top 1000 eine Beschleunigungs-Lösung (Population 1,2 %), also ein Faktor 10 über der Population. Diese Sterne sind Kandidaten für eine DR4-Bahn.
  • Der Median von ms_offset in den Top 100 liegt bei 0,26 (Population −0,03): Auch auf DR3 bevorzugt das Modell Sterne über der Hauptreihe. Nur 37,7 % der Top 1000 erfüllen ms_offset < 0,2; Liste 2 würde also aus einem deutlich kleineren Kreis wählen.
  • Verteilung der Scores: Median 0,0017 (DR2 Out-of-Fold 0,0019), 90. Perzentil 0,024 (0,016), 99. Perzentil 0,41 (0,31), 99,9. Perzentil 0,67 (0,67). Die DR3-Scores liegen im mittleren Bereich etwas höher, ohne große Verschiebung. Das Modell sieht in DR3 also keinen Bereich, der im Training völlig fehlte.
  • Die Top 100 haben keinen bekannten Planetenstern. Das ist zu erwarten (bekannte Planetensterne wackeln nicht: Median ruwe_z −0,03) und kein Zeichen für ein Problem.

Nicht geprüft: die Top-Sterne selbst (Namen, bekannte Doppelstern-Einträge in SIMBAD), der Anteil bekannter Doppelsterne in den Top 100 (Manifest, Validierung Punkt 4) und SHAP für B/B'.

2026-09-25 – Diagnose der Top 100 in DR3 (SIMBAD, nahe Nachbarn; diagnose_top.py)

Population: Top 100 von Modell A (Physik-Variante) auf DR3 nach Ausschluss der bekannten Fälle (DR3-Bahn unter 80 M_Jup, bekannte Planetensterne). Kontrollgruppe: 1.000 Sterne aus der Population mit gleicher Parallaxen-Genauigkeit, Helligkeit und ruwe_z-Spanne (5.–95. Perzentil der Top 100). Reine Auswertung, nichts davon geht ins Modell.

Anteil Top 100 Kontrolle
in SIMBAD verzeichnet 100 % 22,4 %
Doppelstern-Typen (SB*, EB*, *, El) 1 % 0,2 %
junge Sterne (YO, TT, Or*) 0 % 0 %
Weiße Zwerge 0 % 0,3 %
Veränderliche (V*, Fl*, BY*, RS*) 0 % 0,2 %
Nachbar in Gaia DR3 innerhalb von 2" 31 % 15,4 %

SIMBAD-Typen der Top 100: 92 Sterne mit hoher Eigenbewegung (PM*), 4 M-Zwerge (LM*), 3 Emissionslinien-Sterne (Em*), 1 Doppelstern (**).

Befunde:

  1. Die Top 100 sind fast ausschließlich nahe Sterne mit hoher Eigenbewegung (Typ PM*). Sie sind alle in SIMBAD verzeichnet, die Kontrollgruppe nur zu 22 %. Das passt zu nahen M-Zwergen und zum Merkmal pm_total (ein Entfernungs-Indikator) im Modell. Es sagt nichts über Planeten, eher etwas über die Auswahl: nahe, gut katalogisierte Sterne.
  2. Bekannte Doppelstern-Typen sind in den Top 100 kaum vertreten (1 %). Das ist keine Entwarnung: SIMBAD kennt nur die bekannten Doppelsterne, und Sterne, die nicht in SIMBAD stehen, fehlen in dieser Statistik (in der Kontrollgruppe 78 %).
  3. Nahe Nachbarn: 31 % der Top 100 haben einen Gaia-Nachbarn innerhalb von 2 Bogensekunden, in der Kontrollgruppe 15 %, also das Doppelte. Enge Paare überlagern sich in den Bildern und erhöhen RUWE und Rauschen künstlich. Ein Teil des Wackel-Signals in der Liste ist damit vermutlich Bildüberlagerung und nicht Bewegung. Als Feature ist das nicht im Modell (Manifest 0.13), gehört aber als Grenze in den Bericht.
  4. Keine jungen Sterne. Weiße Zwerge und Veränderliche sind nicht überrepräsentiert.

Noch nicht gemacht: Abgleich mit ExoDNN, Sahlmann & Gómez und dem Kiefer-Katalog (Listen nicht beschafft; ein Abgleich ist keine Validierung, weil die Methoden ähnliche Daten nutzen). Liste 2 besteht bisher nur aus Liste 1 mit dem Filter ms_offset < 0,2; die im Manifest vorgesehene Massen-Wahrscheinlichkeit aus der Wackel-Amplitude ist noch nicht gebaut.

2026-09-25 – Vorab-Regel für den Nachbar-Test im Backtest (vor dem Ergebnis festgelegt)

Frage: Sind Sterne mit einem Nachbarn innerhalb von 2" (in Gaia DR2, nur DR2-Daten) seltener echte Treffer des Backtest-Ziels? Beobachtung in DR3: 31 % der Top 100 haben einen solchen Nachbarn, in einer angepassten Kontrollgruppe 15 %.

Test: DR2-Out-of-Fold-Scores der Physik-Variante; Treffer-Anteil (Ziel unter 80 M_Jup) unter den Top 2.000 mit und ohne Nachbar. Entscheidungsregel: Ein Filter „Nachbar innerhalb von 2" ausschließen“ wird nur dann ins Manifest aufgenommen, wenn der Treffer-Anteil mit Nachbar höchstens die Hälfte des Anteils ohne Nachbar beträgt und der exakte Test nach Fisher p < 0,01 ergibt. Sonst bleibt der Nachbar eine reine Diagnose im Bericht.

2026-09-25 – Amplituden-Feature für Liste 2: Methode und Mindestgüte (vor der Berechnung festgelegt)

Quelle der Methode: Kiefer et al., „Searching for substellar companion candidates with Gaia. I. Introducing the GaiaPMEX tool“ (arXiv 2409.16992, A&A). Gelesen: Abschnitte 2–3 (Gleichungen 1–14). Relevant: AEN² + σ_att² + σ_AL² = Σ R² / (N − 5) (Gl. 2), ruwe ≈ (1/u0) · sqrt((AEN² + σ_formal²) / σ_formal²) (Gl. 4), σ_formal = AEN · (χ²_astro / (N − 5) − 1)^(−1/2) (Gl. 8, aus Katalogdaten für Quellen mit astrometric_excess_noise_sig >= 2), typischer Wert von σ_formal 0,08–0,3 mas in Abhängigkeit von Helligkeit, Farbe und Himmelsposition (Abb. 2). Ihre Warnung: In DR3 ist der astrometric_excess_noise für viele Quellen mit G > 13 fälschlich 0 (χ² unter dem 95. Perzentil), deshalb ist er dort unzuverlässig. Sie beschreiben nur das Prinzip der GaiaPMEX-Simulation (Bayes, simulierte Beobachtungen); den Code habe ich nicht.

Unser Verfahren (keine Kurve aus dem Gedächtnis):

  1. σ_formal je Release aus dem eigenen Katalog nach Gl. 8, Mediane je Bin aus G (0,25 mag) und BP-RP (0,25).
  2. AEN_est = σ_formal · sqrt(max(χ²/(N − 5) − 1, 0)): die Umkehrung von Gl. 8, auch dort verfügbar, wo der Katalogwert 0 ist.
  3. Amplitude a_est = sqrt(2) · AEN_est (für eine Kreisbahn ist die Streuung der Residuen a/sqrt(2); gilt für Perioden innerhalb der Messdauer, sonst wird ein Teil der Bahn vom Fit aufgenommen und a_est ist zu klein).
  4. Aus a_est, Parallaxe und Sternmasse (mass_ms) der Bereich möglicher Begleitermassen für Perioden zwischen 0,5 und 5 Jahren (Kepler wie in masses.py); P(m2 < 13 M_Jup) ist der Anteil dieses (logarithmisch gleichverteilten) Periodenbereichs mit einer Masse unter 13 M_Jup.

Mindestgüte (vor der Berechnung festgelegt): Validierung an den DR3-Orbital-Lösungen mit Massenschätzung (bekannte Photozentrum-Amplitude a0 aus den Thiele-Innes-Elementen). Das Feature gilt als tauglich, wenn (a) der Median des Verhältnisses a_est / a0 zwischen 0,5 und 2 liegt und (b) die Spearman-Rangkorrelation zwischen a_est und a0 über 0,6 liegt. Getrennt berichtet nach Helligkeitsklasse und Periode. Erfüllt das Feature das nicht, bleibt Liste 2 „Liste 1 mit ms_offset-Filter“ und das steht so im Manifest.

Einschränkungen, die vorab feststehen: Die Validierung an Bahnlösungen ist geschönt (starke Wackler, Perioden im günstigen Bereich); die Amplitude wird für Perioden über der Messdauer unterschätzt; σ_formal hängt bei Kiefer et al. auch von der Himmelsposition ab (bis Faktor 2, dichte Felder), wir nutzen nur Helligkeit und Farbe.

2026-09-25 – Ergebnis Nachbar-Test (DR2) und Amplituden-Feature (Regeln vom Vortag)

Nachbar-Test im Backtest (Gaia-DR2-Positionen, Radius 2", Out-of-Fold-Scores der Physik-Variante, Top 2.000):

Sterne Treffer Treffer-Anteil
ohne Nachbar 1.780 153 8,6 %
mit Nachbar 220 2 0,9 %

Verhältnis 0,11, exakter Test nach Fisher p < 0,0001. Die vorab festgelegte Regel (Verhältnis höchstens 0,5 und p < 0,01) ist erfüllt. Nachbaranteil: Ziele 1 %, zufällige Negative 12,9 %, Top 100 8 %, Top 1.000 10,6 %; in den Top 100 und Top 1.000 Trefferquote mit Nachbar 0 % bzw. 0,9 %, ohne 16,3 % bzw. 10,3 %. Sterne mit engem Nachbarn sind fast nie Treffer: Enge Paare erzeugen Rauschen, das die Bahnlösung von Gaia nicht annimmt. (Beobachtung in DR3: 31 % der Top 100 haben einen DR3-Nachbarn innerhalb von 2", in DR2 nur 8 %; DR3 löst engere Paare besser auf, und die Nachbarzahl ist je Katalog zu bestimmen.) Folge: Manifest 0.14, Nachbar-Filter für beide Listen.

Amplituden-Feature (amplitude.py): σ_formal nach Kiefer et al. Gl. 8 aus unseren Katalogdaten, Median je Bin: G < 13: 0,082 mas, G 13–16: 0,19 mas, G 16–18: 0,50 mas, G ≥ 18: 1,8 mas. Das entspricht den Werten von Kiefer et al. für G < 16 (0,08–0,3 mas; Abb. 2). Für G > 16 gibt das Paper keine Werte an; die Extrapolation ist von uns. Validierung an 9.914 DR3-Orbital-Lösungen (wahre Amplitude a0 aus den Thiele-Innes-Elementen):

Größe Wert Vorgabe
Median a_est / a0 0,58 0,5 bis 2
Spearman-Rangkorrelation 0,92 über 0,6

Beide Kriterien erfüllt. Nach Periode: unter 200 d 0,62 (ρ 0,87), 200–500 d 0,60 (0,88), 500–1.200 d 0,58 (0,87), über 1.200 d 0,35 (0,69: Bahn länger als die Messdauer, Amplitude wird unterschätzt). Nach Helligkeit: G < 10 0,53 (ρ 0,91), 10–13 0,55 (0,90), 13–16 0,60 (0,92), > 16 0,64 (0,91). Substellare Teilmenge (unter 80 M_Jup, 1.306): 0,63 (ρ 0,95).

Die Amplitude wird im Median um etwa 40 % unterschätzt (Vorfaktor sqrt(2) für Kreisbahnen, Teile der Bahn gehen in den 5-Parameter-Fit). Damit werden die Begleitermassen zu klein und P(m2 < 13 M_Jup) zu groß geschätzt. Eine Korrektur ist nicht eingebaut (die Prüfung galt dem Feature wie definiert); sie wäre eine Manifest-Änderung. Die Validierung bleibt geschönt (starke Wackler, günstige Perioden), und die Bahnlösungen sind selbst die Sterne, deren Amplitude gut messbar ist.

Vorschau Liste 2 (Entwicklungslauf auf DR3, ohne Nachbar-Filter, bekannte Fälle ausgeschlossen): Score = Score von Modell A × P(m2 < 13 M_Jup), nur ms_offset < 0,2. Die Top 100 überschneiden sich nur mit 3 Sternen mit den Top 100 von Liste 1, mittleres P(m2 < 13) = 1,0, Median ms_offset 0,04, 12 % mit DR3-Beschleunigungs-Lösung (Population 1,2 %), 2 % mit DR3-Bahnlösung. Liste 2 ist damit eine andere Liste als Liste 1. In den Top 1.000 von Liste 1 haben 37,6 % ein P(m2 < 13) > 0,5, 38,1 % ein ms_offset < 0,2 und 13,9 % beides.

2026-09-25 – Listen-Generator (make_lists.py) und Plausibilität von Liste 2 (plausibility.py)

Generator: Beide Listen in einem Lauf aus demselben Stand. Liste 1: Score P_A; Liste 2: P_A · P(m2 < 13 M_Jup), nur ms_offset < 0,2. Ausgeschlossen aus rank_new (Rang der Hauptmetrik): bekannte DR3-Bahn unter 80 M_Jup, bekannte Planetensterne, Gaia-Nachbar innerhalb von 2". Je Liste die ersten 1.000 Zeilen nach rank_new; die eingefrorene Wette sind die ersten 100. Jede Zeile hat source_id, rank_new, rank_raw, Score, beide Teilwerte und die Markierungen known_dr3_orbit80, known_dr3_orbit_any, dr3_acceleration, known_planet, neighbour_2arcsec. Kopf der Datei: Manifest-Version, Datum, Git-Stand, Beschreibung des Scores; daneben .sha256 je Liste und lists_manifest.json (Prüfsummen der Modelle, der Feature-Tabellen, der Nachbartabelle). Datum und Git-Stand sind Parameter, dadurch entstehen bei gleichen Eingaben byte-identische Dateien (Test test_make_lists.py, beide Listen zweimal erzeugt und verglichen). Die Nachbartabelle wird einmal beim Archiv abgefragt und mit dem Listenpaket zwischengespeichert; ohne diesen Zwischenspeicher wäre die Liste vom Archiv abhängig. Die Werte sind Ordnungs-Scores, keine kalibrierten Wahrscheinlichkeiten (Verzerrung der Amplitude um etwa 40 %, siehe oben); im Bericht wird „Score“ geschrieben.

Kontrollplaneten (nicht im Training, nicht als bekannt ausgeschlossen; Grundgesamtheit wie in den Listen: 2.234.316 DR3-Sterne mit parallax_over_error >= 10, davon 1.488.768 mit ms_offset < 0,2; ein erster Lauf hatte ohne Filter gerechnet, gleiche Ränge, andere Nenner, korrigiert):

Planet parallax_over_error G ms_offset P(m2 < 13) Rang Score Liste 1 Rang Score Liste 2
Gaia-4 b (11,8 M_Jup) 650 11,9 −0,06 0,80 81.298 (3,6 %) 6.244 von 1.488.768 (0,4 %)
Gaia-5 b (20,9 M_Jup) 673 13,2 −0,58 0,84 6.430 (0,3 %) 532 von 1.488.768 (0,036 %)

Beide liegen im Score von Liste 2 im obersten Promille bis Prozent, besser als im Score von Liste 1, und beide erfüllen die ms_offset-Regel. Die Bewertung ist ein Einzelfall mit zwei Sternen und keine Validierung.

Backtest für Liste 2 (DR2, Out-of-Fold-P_A der Physik-Variante mal P(m2 < 13) aus DR2, ms_offset < 0,2; 1.541.482 Sterne):

  • Von den 17 Zielen unter 13 M_Jup erfüllen nur 4 die ms_offset-Regel; die Regel entfernt also 13 der 17 Ziele (und 409 von 1.304 Zielen unter 80 M_Jup bleiben). Das passt zur Deutung, dass die Ziele meist über der Hauptreihe liegen (Verunreinigung durch leichte Doppelsterne); es heißt aber auch, dass die Backtest-Validierung von Liste 2 auf 4 Sternen beruht.
  • Score von Liste 2: Treffer unter 13 M_Jup in den Top 100/1000/10000: 0/2/2; mittlerer Rang der 4 Ziele 9.540 von 1.541.482. Score von Liste 1 auf derselben Menge: 0/0/2, mittlerer Rang 27.129. Treffer unter 80 M_Jup in den Top 100/1000: Liste 2 2/38, Liste 1 9/77.
  • 2 von 4 Zielen in den Top 1000 von 1,5 Mio. (Erwartung bei Zufall: 0,003) ist eine deutliche Anreicherung, bleibt aber bei 4 Zielen eine Tendenz ohne Signifikanzaussage.

Einordnung: Gaia-4 b (Rang 6.244) und Gaia-5 b (Rang 532) liegen deutlich besser als der Durchschnitt, kämen aber in keine Top-100-Liste. Die Richtung stimmt, das Netz aus 100 Sternen ist eng. Der Bericht sagt das so.

Ziel von Liste 2 (Manifest 0.15). Von den 17 Zielen unter 13 M_Jup haben 4 ein ms_offset < 0,2 (−0,31, −0,20, 0,01, 0,07); die übrigen 13 liegen bei 0,41 bis 0,91 mag (Werte 0,41 0,45 0,47 0,51 0,52 0,57 0,60 0,60 0,68 0,77 0,85 0,87 0,91), alle mit parallax_over_error zwischen 282 und 1.298. Das entspricht der Deutung, dass diese Ziele überwiegend leichte, unaufgelöste Doppelsterne sind (ein gleich heller Doppelstern liegt 0,75 mag über der Hauptreihe). Für das Ziel unter 80 M_Jup erfüllen 430 von 1.306 die Bedingung.

2026-09-25 – Entwicklungslauf der Listen (data/predictions/dev_lists/, nicht eingefroren)

Beide Listen aus einem Lauf (Manifest-Stand 0.14, Git-Stand 41a4961, Datei-Kopf entsprechend); je 1.000 Zeilen. Nachbartabelle: 5.488 Kandidaten abgefragt, 17,5 % mit Nachbar innerhalb von 2". Prüfsummen (SHA-256): Liste 1 99a40bb2…7efba, Liste 2 cac53dbc…f3d61.

Liste 1 (unter 80 M_Jup) Liste 2 (Planeten)
Rang in der Rohsortierung beim 100. Platz von rank_new 150 123
Beschleunigungs-Lösung in den Top 100 19 % 12 %
irgendeine DR3-Bahn in den Top 100 3 % 1 %
Median ms_offset 0,33 0,05
Median P(m2 < 13) 0,32 1,0

Die Ausschlüsse (bekannte Fälle, Planetensterne, Nachbarn) entfernen nur 50 bzw. 23 Sterne aus den ersten 150 bzw. 123 Rohplätzen. Die Top 100 der beiden Listen überschneiden sich in 6 Sternen. Beide Listen haben einen Beschleunigungs-Anteil, der etwa zehnmal bis 16-mal über der Population liegt (1,2 %). Der Lauf ist ein Test des Werkzeugs, keine Einfrierung: Die Modelle, Features und Regeln sind nach 0.15 noch nicht als endgültig erklärt.

2026-09-25 – Auswertungsskript (evaluate_bet.py), Probelauf auf dem Backtest

Ein Code für Probelauf (DR2-Scores → DR3-Ergebnisse) und echte Auswertung (DR3-Listen → DR4-Ergebnisse). Der Probelauf liefert die bereits geloggten Zahlen (Population 2.304.873 Sterne, Ziele y80 1.304, y13 17, y13_ms 4, y80_ms 430):

Liste/Baseline Ziel P@100 P@1000 AUC Anmerkung
Liste 1 (Physik-Variante) y80 0,15 0,093 0,966 wie Ablations-Tabelle
Liste 2 (mit ms_offset < 0,2) y80 0,02 0,038 – 409 Ziele in der Menge
Liste 2 y13_ms 0 0,002 – 4 Ziele, 2 in den Top 1.000
RUWE y80 0 0 0,783
ruwe_z y80 0 0 0,830

Die Population liegt um 4 Sterne über der bisherigen (2.304.869): Das Skript schließt positive Sterne nie als „unbekannt“ aus, targets_dr2.parquet hat 4 Sterne mit gemischten verknüpften Lösungen anders behandelt. Ohne Einfluss auf die Kennzahlen (Test bestanden).

Beobachtung zu Liste 2: Der Median von P(m2 < 13) liegt in den Top 100 bei 1,0. Der Faktor ist dort fast immer ausgereizt und wirkt eher als Filter denn als Gewichtung; die Reihenfolge innerhalb der Liste bestimmt fast allein P_A. Die Amplituden-Verzerrung von etwa 40 % (Amplitude zu klein, P(m2 < 13) zu groß) verstärkt das. Keine Änderung, aber im Bericht so zu beschreiben. Für die Top 100 heißt das: Liste 2 ist Liste 1 auf Sternen mit ms_offset < 0,2 und kleiner Wackel-Amplitude, sortiert nach P_A.

Noch nicht enthalten: Konkurrenz-Listen (nicht beschafft), Nachbar-Ausschluss für die Baselines im Probelauf (Nachbarn für alle Sterne des Backtest lagen nicht vor; für die Baselines der echten Auswertung wird der Pool wie bei den Listen abgefragt).

2026-09-25 – Zusatz-Benchmarks im Backtest DR2→DR3 (benchmarks.py, Regeln aus Manifest 0.18)

Population 2.304.873 Sterne (DR2, parallax_over_error >= 10), Ziel y80 (1.304 Treffer) und y13_ms (4 Treffer). Nachbarn (Gaia DR2, 2") für die obersten 3.000 Sterne jeder Methode, 19.201 Sterne abgefragt (die erste, ungestückelte Abfrage blieb nach 12 Minuten auf dem Server hängen und wurde durch Stücke zu 3.000 ersetzt; sie brauchte 4 Minuten). „Nur neue Treffer“ (bekannte Planetensterne aus der Liste entfernt).

Treffer in den Top 100 / Top 1.000, ohne und mit Nachbar-Filter (Ziel y80):

Methode Top 100 ohne Top 100 mit Top 1.000 ohne Top 1.000 mit
Modell A (Liste 1) 15 16 93 107
Modell A, Liste 2 (ms_offset < 0,2, mal P(m2 < 13)) 2 3 38 45
logistische Regression 0 0 0 0
handgebaute Regel 0 0 0 0
ruwe_z 0 0 0 0
RUWE 0 0 0 0

Ziel y13_ms (4 Treffer): Liste 2 hat 2 Treffer in den Top 1.000 (ohne und mit Filter), alle anderen Methoden 0, in den Top 100 haben alle 0. Der Nachbar-Filter erhöht die Treffer von Modell A in den Top 1.000 von 93 auf 107 und in den Top 100 von 15 auf 16: Er entfernt Fehlalarme und lässt Platz für weitere Sterne.

Handgebaute Regel: Die Auswahlregel für τ (kleinste Schwelle mit dem größten P@1000) ergab für alle Schwellen aus {2, 3, 4, 5, 6, 8} 0 Treffer; damit gilt τ = 2 (Manifest 0.19). Die Regel („ruwe_z > τ, wobble_ratio < 1, sortiert nach ruwe_z“) findet in den Top 1.000 keinen Treffer: Die obersten Plätze der ruwe_z-Sortierung sind auch unter wobble_ratio < 1 extreme Wackler, keine Ziele.

Logistische Regression: Average Precision 0,003–0,004 gegenüber 0,034–0,046 bei Modell A (Basisrate 0,00057). Sie schlägt die Baselines bei der Average Precision (0,0016–0,0020 für ruwe_z), aber ohne Treffer in den Top 1.000. Das nichtlineare Fenster („auffällig, aber nicht zu stark“) lässt sich mit einem linearen Modell auf diesen Merkmalen nicht darstellen; das ist eine Deutung, nicht getestet.

HGCA-Teilmenge (Sterne mit HGCA-Werten, 49.499 Sterne): enthält nur 16 der 1.304 Ziele (1,2 %). Auf dieser Menge: HGCA-Liste AUC 0,625, Average Precision 0,0004 (kein Treffer in den Top 100); Modell A AUC 0,926, Average Precision 0,029, 2 Treffer in den Top 100; ruwe_z AUC 0,785, RUWE 0,812, logistische Regression 0,578, handgebaute Regel 0,374. Mit 16 Zielen ist der Vergleich eine Tendenz; die HGCA-Beschleunigung trägt für dieses Ziel nichts bei.

Bootstrap (Himmelszellen HEALPix Level 2, 192 Zellen, 200 Wiederholungen, 95-%-Intervall, alle Treffer, ohne Nachbar-Filter):

Methode P@100 P@1000 AP
Modell A 0,09–0,23 0,077–0,115 0,034–0,046
Modell A, Liste 2 0,00–0,05 0,026–0,051 0,010–0,020
logistische Regression 0–0 0–0 0,0030–0,0038
handgebaute Regel 0–0 0–0 0,0023–0,0029
ruwe_z 0–0 0–0 0,0016–0,0020
RUWE 0–0 0–0 0,0010–0,0016

Die Intervalle von Modell A und den Baselines überlappen nicht (P@1000, Average Precision); der Unterschied ist also größer als die räumliche Streuung. Die Intervalle für Liste 2 liegen unter denen von Liste 1, wie erwartet (kleinere Zielmenge, andere Sterne).

Nicht getestet im Backtest: Die Metrik für Sahlmann & Gómez, die Konkurrenz-Listen und die Zahl der Sterne ohne Verknüpfung (unlinked_report): Sie gelten für die Auswertung DR3→DR4 und sind mit Tests im Auswertungsskript hinterlegt.

2026-09-25 – Prüfung der handgebauten Regel und der logistischen Regression (Deutung, nicht vorab festgelegt)

Handgebaute Regel, Fehlersuche: Alle 1.304 Ziele haben ein gültiges wobble_ratio (kein Fehlwert) und alle liegen darunter (< 1); 474 haben ruwe_z > 2. Die Regel liefert 134.890 Sterne, davon 474 Ziele. Der beste Treffer steht auf Rang 6.010, der mittlere auf Rang 83.419. Bei der reinen ruwe_z-Sortierung steht der beste Treffer auf Rang 52.653. Kein Vorzeichen- oder Fehlwert-Fehler: Die Regel scheitert an der Sortierung. Die obersten Plätze haben ruwe_z von 37 bis 500 (Rang 1.000: 37), die Ziele liegen im Median bei 1,43. Die Bedingung wobble_ratio < 1 verbessert den besten Rang etwa um den Faktor 9, reicht aber nicht.

Fenster-Deutung (Ziel y80, gleiche Aufteilung nach Region wie Modell A; ein Lauf, nicht vorab festgelegt):

Modell AUC AP Treffer Top 100 Treffer Top 1.000
logistische Regression, 9 lineare Merkmale 0,862 0,0034 0 0
plus Quadrate von 4 Wackel-Merkmalen 0,935 0,0119 7 46
plus log1p und Quadrate 0,955 0,0247 1 61
Modell A (LightGBM) 0,966 0,0394 15 93

Mit quadratischen Termen holt die logistische Regression einen großen Teil des Abstands zu Modell A auf (AUC 0,86 → 0,96, Treffer in den Top 1.000 von 0 auf 46 bis 61). Die Deutung „Fenster: auffällig, aber nicht zu stark“ wird damit gestützt; sie erklärt aber nicht den ganzen Abstand (Average Precision 0,025 gegen 0,039). Nur für den Bericht.

2026-09-25 – Prüfung aus frischem Klon (vor dem Einfrieren)

Frischer git clone von GitHub (Commit ed39967), uv sync, pytest (14 Tests bestanden, mit den vorhandenen Zwischendaten über GAIA_DATA_DIR), dann python -m gaia_wobble.make_lists <ordner> --reproduce release/v1. Ergebnis: Beide Listen sind byte-identisch mit release/v1/ (cmp), die SHA-256-Summen stimmen (Liste 1 8cb67a02…0256e, Liste 2 9a7130bd…7d05d), ebenso die Prüfsummen der fünf Modelldateien, der Feature-Tabelle und der Amplituden-Tabelle. Der Reproduktionsmodus nimmt Datum, Code-Stand, Manifest-Version und Nachbartabelle aus lists_manifest.json.

Beim Test aufgefallen und behoben: Die Nachbartabelle in release/v1/ war durch *.parquet in der .gitignore nicht im Repo; ohne sie wäre die Liste nicht reproduzierbar gewesen. Jetzt versioniert (Ausnahme !release/**/*.parquet).

Die Listen wurden aus dem Code-Stand 3e128b1 gebaut. Spätere Commits ändern nur README, Lizenz, Zitations- und Zenodo-Metadaten, den Einstieg python -m gaia_wobble.calibration und den Reproduktionsmodus von make_lists.py; die Logik der Listen ist unverändert, was der Test aus dem frischen Klon zeigt.

Ausgelassen: eine Neuberechnung der ganzen Kette mit Downloads (Stunden). Die Zwischendaten (Features, Modelle) werden nur über ihre Prüfsummen in lists_manifest.json geprüft.

Weitere Vorbereitungen für Zenodo: CITATION.cff und .zenodo.json (Titel, Autor, Schlagworte, Lizenz CC BY 4.0 für die Daten; der Code bleibt über LICENSE MIT). Ohne ORCID; falls vorhanden, eintragen. Die Konkurrenz-Listen liegen nicht im Repo (nur download_competitors.py und docs/competitors.json mit den Prüfsummen).

2026-09-25 – Backtest von Modell A gegen das Ziel mit m1 aus mass_ms (ohne Neutraining; m1_backtest.py)

Frage: Senkt oder hebt das um etwa ein Viertel größere Ziel (mass_ms, Klarstellung Abschnitt d) die Leistung des unveränderten Modells A? Dieselben Out-of-Fold-Scores der Physik-Variante, dieselbe Auswertung; nur m1 der DR3-Bahnlösungen kommt aus der anderen Quelle. Population: DR2-Sterne mit parallax_over_error >= 10 und Score (2.304.869 Sterne); Modell und Baseline auf denselben Sternen; nur Lösungen, deren Stern im DR3-Nahsternkatalog liegt (dort gibt es abs_g).

m1 aus Ziel Ziele Treffer Top 100 Treffer Top 1.000 AUC AP
binary_masses y80 1.303 15 93 0,9658 0,0395
mass_ms y80 1.583 19 116 0,9669 0,0519
binary_masses y13 17 0 2 0,974 0,0013
mass_ms y13 24 0 2 0,960 0,0012
binary_masses y13_ms 4 0 0 0,964 0,0001
mass_ms y13_ms 6 0 0 0,898 0,0001

Baseline ruwe_z: AUC 0,830 (binary_masses, y80) und 0,841 (mass_ms), 0 Treffer in den Top 100 und Top 1.000 in beiden Fassungen.

  • Das größere Ziel hebt die Leistung für y80: 19 statt 15 Treffer in den Top 100, 116 statt 93 in den Top 1.000, Average Precision 0,052 statt 0,040. Die zusätzlichen Ziele (Median ms_offset 0,46, wie die übrigen) sehen für das Modell aus wie die bisherigen. Das Modell wurde nicht neu trainiert.
  • Bei y13 und y13_ms ist die Aussage schwach: 24 bzw. 6 Ziele, in den Top 100 kein Treffer, in den Top 1.000 je 0 bis 2. Die AUC für y13_ms fällt von 0,96 auf 0,90; bei 4 bzw. 6 Zielen ist das kein belastbarer Unterschied.
  • Erste Auswertung hatte Modell A und Baseline auf verschiedenen Mengen verglichen (1.583 und 1.629 Ziele, weil Sterne mit jetzt bekanntem Label keinen Score haben); korrigiert auf dieselbe Menge.

2026-09-26 – Realitätscheck der Simulation für Liste 2: nicht bestanden

Gerechnet nach docs/simulation_plan.md (Kriterien, Teilung, erlaubte Anpassungen vor der ersten Zahl festgelegt), Code in src/gaia_wobble/simulation/, Ergebnisse in docs/simulation_results/. Rechenzeit: etwa 32 ms je simuliertem Stern; Nullprobe, Check C und die Kontrollplaneten zusammen etwa 10 Minuten. Einstellungen am Kalibrierteil: Normierung k(G) aus der Nullprobe (0,98 bis 1,11, 16 Helligkeitsintervalle), Messfehler-Faktor s = 1,0 (Raster 0,8 bis 1,5; Logarithmus des Median-Verhältnisses −0,028 bei 1,0, +0,054 bei 0,9, −0,113 bei 1,1).

Ergebnis: N nicht bestanden, C nicht bestanden, A nur zur Hälfte bestanden (Gaia-4 b ja, Gaia-5 b nein), B bestanden. Nach der Regel im Plan wird die Simulation damit nicht für die Score-Frage benutzt; die Produktionsläufe (300.000, 600.000 Systeme) und die Sensitivitätskarten werden nicht ausgeführt.

Prüfung Ergebnis Kriterium Befund
N Nullprobe (Testteil, 1.050 Sterne) nicht bestanden in allen drei Klassen 75. Perzentil höchstens 10 % Abweichung, Breite höchstens 25 % 75. Perzentil −8 % (G < 10), −12 % (10–13), −3 % (13–16); Breite des mittleren Bereichs um −63 %, −72 % und −48 % zu klein. Die simulierten Einzelsterne sind viel zu ruhig.
C 200 DR3-Bahnlösungen (Testteil, 100 Sterne) nicht bestanden (i) Rangkorrelation > 0,6, (ii) Median-Verhältnis 0,7–1,4, (iii) mindestens 70 % im 90-%-Bereich (i) 0,84 erfüllt, (ii) 0,998 erfüllt, (iii) 56 % nicht erfüllt (Soll etwa 90 %)
A Gaias eigene Bahn, Gaia-4 b bestanden echter RUWE im 5.–95. Perzentil echt 1,50, simuliert 1,24–1,71 (Median 1,44); Excess Noise echt 0,156 mas, simuliert 0,062–0,173
A Gaias eigene Bahn, Gaia-5 b nicht bestanden dito echt 3,55, simuliert 1,63–2,11 (Median 1,81); Excess Noise echt 0,408, simuliert 0,155–0,233
B veröffentlichte Elemente bestanden (beide) dito Gaia-4 b: simuliert 1,28–1,63 (echt 1,50); Gaia-5 b: simuliert 1,62–4,06, Median 2,82 (echt 3,55). Die Verteilung von Gaia-5 b ist breit, weil die Bahnwinkel unbekannt sind; das Bestehen ist der schwächere Test.

Was die Simulation kann: Sie trifft die Höhe des RUWE bei Sternen mit Bahnlösung im Mittel (Median-Verhältnis 0,998) und ordnet sie richtig (Rangkorrelation 0,84 für RUWE, 0,84 für astrometric_excess_noise, 0,83 für chi2_per_dof). Das Median-Verhältnis von chi2_per_dof ist 0,78.

Was sie nicht kann: Die Streuung stimmt nicht. Die simulierten Einzelsterne haben astrometric_excess_noise zu 85 % gleich 0 (echt: 15 %), ein echter Stern hat bei G < 13 typisch 0,09 mas Excess Noise und chi2_per_dof um 2,2 (simuliert 1,0 bis 1,1). Nahe liegende Erklärung, nicht getestet: Die Simulation enthält nur den formalen Messfehler, nicht das zusätzliche Rauschen, das Gaia in der Praxis hat (Kiefer et al. 2025 nennen für die Lage des Satelliten typisch 0,076 mas, dazu die Kalibrierung; Abschnitt 3.2 und 3.4 von arXiv 2409.16992). Damit fehlt der Simulation die Streuung, die bei echten Sternen einen Teil des RUWE ausmacht. Bei Gaia-5 b (Periode 358 Tage, nahe einem Jahr) kommt hinzu, dass der Fit einen Teil der Bahn in der Parallaxe aufnimmt; die simulierte Beschreibung liegt dort bei der Hälfte des echten RUWE.

Merkmale von Modell A in der Nullprobe (echt gegenüber simuliert, Median): astrometric_excess_noise_sig 11 gegen 0, wobble_ratio 0,07 gegen 0, chi2_per_dof 2,2 gegen 1,0, ruwe_z −0,03 bis −0,04 gegen −0,04 bis −0,02 (ruwe_z stimmt im Median, nicht im oberen Rand). Diese Merkmale sind nach dem Plan (Punkt 5) „nicht reproduziert“.

Verlauf, offen benannt:

  • Die Nullprobe stürzte beim ersten Lauf ab, weil σ_formal aus der kleinen Stichprobe statt aus dem ganzen Katalog berechnet wurde (871 von 1.050 Sternen ohne Wert). Das war ein Umsetzungsfehler und wurde nach der Fehlerklausel behoben; der Testteil von N wurde erst danach ausgewertet. Check C war vorher gerechnet und blieb unverändert (nur ein Blick auf den Testteil).
  • Bei 247 von 1.050 Sternen (23,8 %) ist die nominelle Übergangszahl kleiner als die echte; es werden alle vorhandenen genommen (Regel im Plan), die Simulation hat dort weniger Übergänge als der echte Stern.
  • Der Plan erlaubt an den Kalibrierteilen nur die Normierung k(G) und den Faktor s. Ein zusätzliches Rausch-Term wäre eine Änderung des Modells und keine der erlaubten Anpassungen; der Testteil wurde außerdem schon einmal angesehen.

Folgen: Die Simulation liefert keine Aussage darüber, ob eine Variante des Liste-2-Scores Planeten weiter nach oben sortiert. Liste 1, Liste 2, Manifest und Auswertungsskript sind unverändert. Wer die Simulation retten will, braucht ein erweitertes Rauschmodell (Excess Noise aus Lage und Kalibrierung) und eine neue, unabhängige Testprobe, weil die jetzige einmal angesehen wurde; beides wäre ein neuer, vor den Ergebnissen festgelegter Plan.

Simulation für Liste 2: ruht bis nach dem Release von DR4 (Entscheidung 2026-09-26)

Kurzfassung für den Bericht: Die Simulation trifft die Höhe des RUWE bei Sternen mit Bahnlösung (Median-Verhältnis 0,998, Rangkorrelation 0,84), aber nicht die Streuung. Wahrscheinliche Ursache ist ein fehlender Rauschterm für Lage und Kalibrierung des Satelliten. Nach der vorab festgelegten Regel wurde sie nicht für die Score-Frage benutzt. Die Liste 2 ist davon nicht betroffen; die Simulation war eine Zusatzauswertung.

Warum warten: Mit DR4 liegen erstmals die Einzelmessungen aller Sterne vor. Das fehlende Rauschen lässt sich dann an echten Zeitreihen messen (Streuung um die gerade Bahn nach Helligkeit und Farbe), statt es aus den Zusammenfassungen von DR3 zu schätzen.

Offene Frage, jetzt nicht untersucht: Bei Gaia-5 b liegt der echte RUWE (3,55) über der Simulation mit Gaias eigener DR3-Bahn (1,63 bis 2,11); fehlendes Rauschen erklärt das womöglich nicht allein (Periode 358 Tage nahe einem Jahr, Fit-Entartung mit der Parallaxe, Abweichung der DR3-Lösung von der tatsächlichen Bahn). Für später festgehalten.

Für den Neustart (neuer Plan vor den Ergebnissen): (1) Rauschterm an den DR4-Einzelmessungen kalibrieren; (2) eine frische, bisher nicht angesehene Testprobe aus DR4-Bahnlösungen (die Testhälften von 2026-09-26 sind einmal angesehen und dürfen nicht wiederverwendet werden); (3) die festgeschriebenen Kriterien N, C, A und B neu bewerten, erst dann Produktionsläufe; (4) der Generator (src/gaia_wobble/simulation/) bleibt die Grundlage und wird mit echten DR4-Daten kalibriert.