23. Juli 2026  ·  🔭 Astronomie 🖥️ Technologie

Ein verlorener Leitstern in PHD2, eine KI und die Wahrheit dazwischen – wie ich mein Remote-Rig mit Claude debugge

Im ersten Beitrag über mein gebrauchtes Teleskop in Texas habe ich beiläufig erwähnt, dass mir beim Einstellen der Nachführung eine KI geholfen hat. Diese Bemerkung hat Nachfragen ausgelöst: Wie genau? Und weil gerade jeder zweite Blogpost erklärt, wie KI angeblich alles löst, will ich hier das Gegenteil versuchen — einen ehrlichen Erfahrungsbericht. Inklusive der beiden Male, an denen die KI danebenlag.

Als Fallbeispiel nehme ich den Abend, an dem mir ein Leitstern abhandenkam. Beziehungsweise: meinen Vormittag. In Texas war es mitten in der Nacht. Angefangen hat alles mit diesem einen Bild:

Der Auslöser der ganzen Recherche: im Leitbild wirkten die Sterne plötzlich unscharf, der Leitstern war verloren — und ich hatte keine Ahnung, warum.

Genau dieses Fenster habe ich mir angeschaut und mich gefragt: Was ist hier passiert, und warum sind die Sterne auf einmal unscharf? Von dieser Frage aus begann die Spurensuche.

Ein rotes „Star lost“ und eine Wand aus Zahlen

PHD2 ist die Software, die mein Teleskop während der Belichtung auf einen Stern eingerastet hält und die Montierung korrigiert, damit alles scharf bleibt. Statt einer ruhigen Kurve zeigte sie an diesem Vormittag ein rotes „Star lost – low SNR“ — und ein Bild, in dem fast nichts stimmte.

Für jemanden, der PHD2 nicht in- und auswendig kennt, ist so ein Fenster eine Wand aus Zahlen. Ich wusste, dass sie schlecht waren. Ich wusste nicht, warum. Also habe ich getan, was ich inzwischen bei fast jedem Rätsel am Rig tue: den Screenshot bei Claude, der KI von Anthropic, hineingekippt. Ohne Erklärung, ohne Vorverarbeitung. Einfach das Bild von oben.

Das Erste, was mich verblüffte: Die KI las aus dem Screenshot ohne Weiteres die entscheidenden Werte heraus und ordnete sie ein —

• Status: „Star lost – low SNR“
• nur 1 von 12 möglichen Leitsternen erkannt
• Peak-Helligkeit 22 (von 255) — der Leitstern war extrem schwach
• FWHM 14 Pixel — die gemessene Sterngröße war absurd aufgebläht
• Nachführfehler: RA 6,1″, Dec 3,2″, gesamt fast 7 Bogensekunden
• Belichtungszeit 3 Sekunden, maximale Korrekturdauer 2500 Millisekunden

Kein Abtippen, kein Log-Upload — nur das Bild. Schon diese Fähigkeit, aus einem vollgepackten Screenshot die richtigen Werte zu ziehen und einzuordnen, hat mir die halbe Arbeit abgenommen.

Runde eins: eine plausible, falsche Antwort

Aus diesen Werten formte die KI sofort eine erste Diagnose: Taubeschlag oder aufziehende Bewölkung. Das Argument war sauber — schwaches Signal, kaum noch Sterne, ein Leitbild, das insgesamt weich wirkt. Genau das Muster, das eine feuchte Nacht hinterlässt. Es passte sogar zu einer verpatzten Nacht in den alten Logdateien — die allerdings noch vom Vorbesitzer stammten, von dem ich das Rig erst kurz zuvor übernommen hatte.

Es war nur leider falsch.

Der Moment, in dem ich mehr wusste als die Maschine

Denn ich hatte etwas, das die KI nicht hatte: den Blick auf die reale Situation. Es gab keinen Tau, die Guide-Kamera hatte freie Sicht, und — das war entscheidend — der Leitstern hatte von Anfang an ganz unten am Bildrand geklebt. Außerdem hatte ich das Teleskop kurzerhand auf ein anderes Ziel geschwenkt, und dort lief die Nachführung auf Anhieb sauber.

Genau das habe ich der KI zurückgemeldet. Und hier begann der Teil, der den eigentlichen Wert ausmacht: Sie hat ihre Hypothese nicht verteidigt, sondern verworfen und neu gedacht. Ein Stern am äußersten Bildrand, erklärte sie, wird von PHD2 nur über ein halbes Messfenster erfasst — die Software rechnet dann über eine abgeschnittene Fläche, und sämtliche gemeldeten Werte werden dadurch zu Müll. Nicht der Himmel war das Problem, sondern wo der Stern saß.

Das leuchtete ein. Aber es blieb eine Frage offen, die ich hinterherschob: Warum wirkte denn dann das ganze Leitbild unscharf?

Runde zwei: wieder daneben — aber ehrlich daneben

Die KI rechnete mir vor, dass bei meinem Leitrohr schon sieben Hundertstel Millimeter Fokusabweichung ausreichen würden, um genau diese Unschärfe zu erzeugen. Und sie wies auf einen konkreten Verdächtigen hin: Kurz zuvor war ein Techniker am Rig gewesen. Vielleicht hatte er beim Hantieren den Fokus verstellt.

Eine gute Überlegung. Sie war trotzdem falsch — und das Bemerkenswerte war, dass die KI das selbst kennzeichnete. Sie schrieb dazu, das sei eine plausible Vermutung, kein Beweis, und nannte mir einen konkreten Test: Ich solle beim nächsten Ziel einfach auf den Schärfewert schauen. Kein „So ist es“, sondern „So könntest du es prüfen“.

Diese Zurückhaltung ist mir wichtiger geworden, als ich anfangs dachte. Eine KI, die ihre eigene Unsicherheit benennt, verleitet einen nicht dazu, ihr blind zu folgen.

Die Auflösung kam aus einem zweiten Screenshot

Ich schickte also einen Screenshot vom neuen Ziel — dieselbe Optik, ein heller Stern mitten im Bild:

Dasselbe Leitrohr, ein anderes Ziel — und plötzlich gestochen scharfe Werte: Peak 229 statt 22, neun von zwölf Sternen erkannt, Nachführung rund eine Bogensekunde.

Damit war die Fokus-These sofort erledigt. Das Leitrohr war scharf, der Techniker unschuldig. Die vermeintlichen 14 Pixel Unschärfe von vorhin waren nie echt gewesen — sie waren das Messartefakt des abgeschnittenen Randsterns. Nebenbei wies die KI schon auf das nächste Detail hin: Peak 229 von 255 heißt, der Stern steht kurz vor der Übersteuerung — bei drei Sekunden war er fast zu hell. Das sollte gleich wichtig werden.

Und jetzt ergab die ganze Kette Sinn, rückwärts aufgerollt: Meine Belichtungszeit war zu lang, dadurch waren die hellen Sterne überbelichtet, die Automatik verwarf sie deshalb — und übrig blieb nur ein schwacher Stern am Bildrand, dessen abgeschnittenes Messfenster jede Zahl verfälschte. Ein zu aggressiv eingestellter Korrekturwert machte aus dem verrauschten Signal schließlich einen Ausreißer. Kein Wetter, kein Defekt, keine verstellte Optik. Eine Kette aus Einstellungen.

Das Beste an der Sache: Die KI gab mir daraus nicht nur die Lösung, sondern eine merkbare Faustregel für die Zukunft. Ein zackiges, zerrissenes Sternprofil bedeutet ein abgeschnittener Randstern. Ein glattes, breites Profil bedeutet Fokus oder Tau. Ein schmaler, scharfer Zacken bedeutet: alles gut. Das ist genau die Art Wissen, die man nachts um drei — oder morgens um zehn — nicht neu herleiten will.

Zwei Dinge, die ich dabei übers Guiding verstanden habe

Der eigentliche Aha-Moment kam aber erst, als wir dem Fehler auf den Grund gingen, statt ihn nur wegzuräumen. Zwei Zusammenhänge habe ich dabei zum ersten Mal wirklich begriffen.

Warum die Belichtungszeit ausgerechnet bei meiner Montierung so heikel ist. Guiding ist eine Schleife: belichten, Fehler messen, korrigieren, wieder belichten. Korrigieren kann man nur, was man zwischen zwei Aufnahmen gemessen hat. Ist die Belichtung zu lang, verschmieren mehrere schnelle Fehlerbewegungen zu einem Mittelwert — wie ein wackelndes Objekt bei langer Verschlusszeit. Meine ZWO AM5 ist eine Harmonic-Drive-Montierung, und die hat einen deutlich höherfrequenten Nachführfehler als ein klassisches Schneckengetriebe. Um den überhaupt zu sehen, muss man häufiger messen, also kürzer belichten. Genau deshalb waren die ursprünglich geerbten acht Sekunden Gift — und selbst die drei Sekunden aus dem Störungsbild noch zu lang. Erst bei 1,5 Sekunden stimmte es. (Zu kurz ist übrigens auch schlecht: Dann jagt man dem atmosphärischen Flimmern hinterher. Es gibt ein Optimum.)

Dass ein einziges Zahlenverhältnis die Diagnose verrät. Bei den langen Belichtungen war mein Fehler in der einen Achse — der Rektaszension — ziemlich genau doppelt so groß wie in der anderen. Die KI erkannte darin sofort den Fingerabdruck: Wenn eine Achse konstant schlechter läuft als die andere, ist die Korrekturrate zu langsam für den schnellen Fehler genau dieser Achse. Nach der kürzeren Belichtung schrumpfte diese Schieflage deutlich — bis am Ende beide Achsen gleich zogen. Seitdem schaue ich bei jedem Guiding-Problem zuerst auf dieses Verhältnis, bevor ich irgendetwas anderes vermute.

Beides sind Dinge, die in keinem Handbuch fett gedruckt stehen — und die ich ohne das geduldige Nachbohren im Dialog vermutlich nie sauber verstanden hätte.

Vom Chaos zu 0,61 Bogensekunden — Schritt für Schritt

Ab hier wurde aus der Fehlersuche ein richtiges Tuning. Der Ablauf war immer derselbe: Ich änderte eine Einstellung, machte einen frischen Screenshot, kippte ihn bei Claude hinein, die KI las die neuen Werte und schlug den nächsten Schritt vor. So lief das über einen ganzen Vormittag — in Texas die Nacht.

Belichtung halbieren — aber den Gain in Ruhe lassen.

Weil der Stern bei drei Sekunden fast übersteuert war, wäre mein Reflex gewesen, bei kürzerer Belichtung den Gain hochzudrehen, um das Signal zu halten. Genau das hat Claude mir ausgeredet — das hätte die Sättigung nur verschärft. Also nur die Belichtung von 3 auf 1,5 Sekunden, der Gain blieb. Ergebnis: Gesamtfehler runter auf 0,78 Bogensekunden, und das RA/Dec-Verhältnis von 1,9 auf 1,5. Die Schieflage begann sich aufzulösen — genau wie es die Physik von vorhin vorhergesagt hatte.

Die zehn Monate alte Kalibrierung wegwerfen.

Die geerbte Kalibrierung stammte aus dem Vorjahr und hatte einen Orthogonalitätsfehler von 6,4 Grad — außerdem hatte sich mit einem Firmware-Update der Montierung ohnehin die Grundlage geändert. Über den Kalibrier-Assistenten fuhr ich nahe des Himmelsäquators, wo die Messung am genauesten ist, eine frische Kalibrierung.

Neuer Orthogonalitätsfehler: 0,3 Grad — ein Zwanzigstel des alten Werts, zwölf saubere Messschritte pro Achse, beide Achsen praktisch gleich schnell. Im Diagramm sieht man das sofort an den zwei perfekt rechtwinkligen Linien.

Die Einstellungen einzeln durchgehen — mit Begründung, nicht auf Verdacht.

Dann nahmen wir die kritischen Parameter durch — jeden mit Begründung. Die maximale Korrekturdauer senkte ich von 2500 auf 1000 Millisekunden: Ein Puls, der länger dauert als die Belichtung, schiebt die Montierung weiter, während schon das nächste Bild läuft — genau der Mechanismus, der aus dem verrauschten Randstern am Anfang einen Ausreißer gemacht hatte. Die Mindest-SNR für die automatische Sternwahl hob ich von 6 auf 10, damit sich PHD2 lieber weigert, einen Stern zu nehmen, als einen zu schwachen zu wählen. Und das Platzhalter-Profil des Vorbesitzers ersetzte ich durch ein sauberes, benanntes.

Ein letztes Problem — und der eleganteste Fix.

Trotz kräftigem Stern und guter SNR wählte die Automatik ihn wieder am äußersten Rand — genau die Konstellation, die ein einziger Dither zum Sternverlust machen kann.

Der Leitstern landete also immer wieder am Bildrand. Ich hätte ihn jedes Mal von Hand in die Mitte setzen können — Claude schlug stattdessen einen strukturellen Fix vor: in N.I.N.A. den Suchbereich für die automatische Sternwahl von 100 auf 70 Prozent verkleinern.

Seitdem kann PHD2 gar keinen Randstern mehr wählen. Ein einziger Handgriff, der das Problem für jedes künftige Ziel löst.

Am Ende stand ein Gesamtfehler von 0,61 Bogensekunden, bei einem RA/Dec-Verhältnis von praktisch eins — beide Achsen im Gleichschritt. Gegenüber dem geerbten Zustand von rund 1,1 Bogensekunden ist das fast eine Halbierung, und der beste Wert, den dieses Rig je gezeigt hat.

Was ich daraus über KI als Werkzeug gelernt habe

Wenn ich ehrlich bin, ist die Pointe dieser Geschichte nicht „die KI hat es gelöst“. Die KI lag zweimal daneben. Die Pointe ist, wie sie danebenlag und was daraus wurde.

Sie liest Daten unermüdlich und schnell. Logdateien, Screenshots, sogar eine kryptische Geräteliste im XML-Format — sie zieht die relevanten Werte heraus, ohne zu ermüden, ohne einen Wert zu überlesen. Das allein spart enorm viel stumpfe Arbeit.

Sie erklärt, statt nur zu urteilen. Warum die Belichtungszeit auf einer Harmonic-Drive-Montierung so kritisch ist, wie der gemessene Schwerpunkt eines Randsterns verrutscht, was Sättigung anrichtet — ich habe in diesen Sitzungen mehr über meine eigene Ausrüstung verstanden als in Wochen Forenlesen.

Aber die Bodenwahrheit liefere ich. Die KI wusste nicht, dass kein Tau da war, dass der Stern von Anfang an am Rand saß, dass ein anderes Ziel funktionierte. Erst als ich diese Fakten einspielte, kam sie auf die richtige Spur. Sie ist ein Sparringspartner, kein Orakel: Sie schlägt vor, ich entscheide.

Genau in dieser Schleife liegt der Wert — Hypothese, Korrektur, revidierte Hypothese —, und sie funktioniert nur, wenn beide Seiten ihren Teil beitragen. Wer die KI wie eine Wahrsagerin behandelt und ihre erste Antwort für bare Münze nimmt, hätte in meinem Fall stundenlang nach Tau gesucht, den es nie gab.

Und am Ende

Diese 0,61 Bogensekunden sind nicht entstanden, weil eine KI Magie gewirkt hätte. Sie sind entstanden, weil ich ein geduldiges Gegenüber hatte, das mit mir jede Zahl durchging, jede These prüfte, jeden Screenshot las — und mir am Ende erklärte, warum es besser wurde.

Und das ist, glaube ich, die realistische Version der ganzen KI-Euphorie: kein Ersatz für das eigene Urteil, aber ein verdammt guter Verstärker dafür.