Supercomputersimulaties van het heelal zijn astronomisch duur. Het berekenen van de evolutie van miljarden sterrenstelsels vergt weken aan rekenkracht van de krachtigste computerclusters. Het is dan ook niet verwonderlijk dat astrofysici deze routineklus hebben toevertrouwd aan kunstmatige intelligentie. Maar deze medaille heeft een keerzijde. De optimalisatie van de berekeningen dreigde de weg naar nieuwe natuurkunde nagenoeg te blokkeren.
Een onderzoeksteam van Princeton en het Flatiron Institute onder leiding van Veena Krishnaraj en Adrian Bayer besloot de methode van 'transfer learning' toe te passen in de kosmologie. Het principe is elegant: in plaats van zware simulaties volledig vanaf nul te draaien, wordt een neuraal netwerk eerst getraind op eenvoudige en goedkope modellen van het standaarduniversum (Λ CDM). Vervolgens wordt de AI lichtjes bijgeschoold met geavanceerde modellen waarin wetten van alternatieve zwaartekracht gelden of de massa van neutrino's wordt meegerekend.
De besparing was gigantisch. De kosten voor supercomputers daalden met meer dan een factor tien. Is dit een doorbraak? Niet helemaal.
De wetenschappers maakten gebruik van Quijote, een bekende verzameling virtuele universa, en ontdekten een verborgen systeemfout. In de wereld van machine learning wordt dit 'negatieve transfer' genoemd. Wanneer het neurale netwerk fenomenen van fundamenteel nieuwe natuurkunde tegenkomt, probeert het deze hardnekkig in te passen in zijn reeds opgedane ervaring.
Het probleem schuilt in de zogeheten fysieke degeneratie. Dit is een situatie waarin totaal verschillende kosmische processen identieke signalen produceren op telescoopbeelden. Zo is de invloed van massieve neutrino's op clusters van sterrenstelsels visueel bijna niet te onderscheiden van de standaardvariaties in materiedichtheid (de sigma-Q-8-parameter).
De AI die getraind is op basismodellen ziet een bekend patroon en rapporteert vol vertrouwen: "Alles is in orde, dit is het standaarduniversum." Het signaal van de nieuwe natuurkunde wordt hierdoor simpelweg door het algoritme weggepoetst.
Wat betekent dit voor ons? We kunnen vooralsnog niet blind varen op de autonomie van neurale netwerken bij het opsporen van kosmische anomalieën. AI is een fantastische versneller voor routinewerk, maar het uiteindelijke toezicht op afwijkende signalen blijft de verantwoordelijkheid van de mens.
Momenteel wordt de methode getest op synthetische modellen, maar de volgende stap is de analyse van enorme hoeveelheden data van nieuwe optische telescopen. Inzicht in dit defect stelt natuurkundigen in staat om de trainingsalgoritmen te verbeteren. Op de lange termijn leidt dit tot flexibelere systemen die niet alleen bestaande kennis bevestigen, maar ook anomalieën opmerken die ons begrip van ruimte en tijd kunnen transformeren.
Het effect waarbij algoritmen 'blind' worden, wordt veroorzaakt door fysieke degeneratie – een situatie waarin wezenlijk verschillende kosmische processen identieke waarneembare signalen afgeven.
Tot nu toe is de methode enkel op synthetische data getest. In de nabije toekomst volgt een toetsing aan de hand van echte observaties van de sterrenhemel. Dit onderzoek bakent de grenzen duidelijk af: AI kan routineberekeningen vele malen versnellen, maar de uiteindelijke zoektocht naar afwijkingen buiten het Standaardmodel vereist nog steeds strikte menselijke controle. De technologie helpt ons om hypothesen sneller te testen, mits we algoritmen leren om hun eigen databases in twijfel te trekken.
