Supercomputer-Simulationen des Universums sind astronomisch teuer. Um die Evolution von Milliarden Galaxien zu berechnen, sind wochenlange Rechenzeiten auf den leistungsstärksten Rechenclustern erforderlich. Es überrascht daher nicht, dass Astrophysiker diese Routineaufgabe der Künstlichen Intelligenz übertragen haben. Doch die Medaille hat eine Kehrseite. Die Optimierung der Berechnungen hätte beinahe den Weg zu einer neuen Physik versperrt.
Ein Forscherteam aus Princeton und dem Flatiron Institute unter der Leitung von Veena Krishnaraj und Adrian Bayer entschied sich, die Methode des Transfer-Lernens (Transfer Learning) in der Kosmologie anzuwenden. Das Prinzip ist elegant: Anstatt rechenintensive Simulationen von Grund auf neu zu starten, wird das neuronale Netz zunächst mit einfachen und kostengünstigen Modellen des Standarduniversums (ΛCDM) trainiert. Anschließend wird die KI auf fortschrittlicheren Modellen nachjustiert, die alternative Gravitationsgesetze oder die Masse von Neutrinos berücksichtigen.
Die Einsparungen waren kolossal. Die Kosten für Supercomputer sanken um mehr als das Zehnfache. Ein Durchbruch? Nicht ganz.
Die Wissenschaftler nutzten den berühmten Datensatz virtueller Universen namens Quijote und stießen dabei auf einen verborgenen Systemfehler. Im Bereich des maschinellen Lernens wird dies als „negativer Transfer“ bezeichnet. Wenn das neuronale Netz auf Anzeichen fundamental neuer Physik stößt, beginnt es hartnäckig, diese in den Rahmen seiner bereits bekannten Erfahrungen zu pressen.
Das Problem liegt in der sogenannten physikalischen Degeneration. Dies beschreibt eine Situation, in der völlig unterschiedliche kosmische Prozesse identische Merkmale auf Teleskopaufnahmen erzeugen. Beispielsweise ist die Art und Weise, wie massereiche Neutrinos Galaxienhaufen beeinflussen, visuell kaum von Standard-Materiedichteschwankungen (dem Parameter sigma Q 8) zu unterscheiden. Eine auf Basismodellen trainierte KI erkennt das vertraute Muster und meldet selbstbewusst: „Alles in Ordnung, das ist das Standarduniversum.“ Das Signal der neuen Physik wird durch den Algorithmus schlichtweg ausgelöscht.
Was bedeutet das für uns? Man kann sich bei der Suche nach kosmischen Anomalien noch nicht vollständig auf die Autonomie neuronaler Netze verlassen. Die KI ist ein hervorragender Beschleuniger für Routineaufgaben, doch die endgültige Kontrolle bei der Suche nach Abweichungen bleibt dem Menschen vorbehalten.
Derzeit wird die Methode an synthetischen Modellen getestet, doch als Nächstes steht die Überprüfung mit riesigen Datenmengen neuer optischer Teleskope an. Das Verständnis dieses Defekts wird es Physikern ermöglichen, die Trainingsalgorithmen zu korrigieren. Perspektivisch führt dies zur Entwicklung flexiblerer Systeme, die nicht nur alte Lehrbücher bestätigen, sondern Anomalien erkennen können, die unser Verständnis von Raum und Zeit verändern werden.
Der Effekt der „Blindheit“ von Algorithmen ist auf die physikalische Degeneration zurückzuführen – einen Zustand, in dem grundlegend verschiedene kosmische Prozesse identische beobachtbare Signale liefern.
Bisher wurde die Methode ausschließlich an synthetischen Daten getestet. Eine Überprüfung durch reale Himmelsdurchmusterungen steht noch bevor. Diese Studie zeigt die Grenzen deutlich auf: Eine KI kann Routineberechnungen um ein Vielfaches beschleunigen, doch die abschließende Suche nach Anomalien außerhalb des Standardmodells erfordert weiterhin eine strenge menschliche Kontrolle. Die Technologien führen uns zu einer schnelleren Überprüfung von Hypothesen, sofern wir lernen, den Algorithmen beizubringen, an ihren eigenen Datenbanken zu zweifeln.
