AI kan het heelal sneller doorgronden dan ooit maar er is een hardnekkig probleem

AI maakt onderzoek naar het heelal sneller en goedkoper. Maar diezelfde slimmigheid kan er ironisch genoeg voor zorgen dat AI een echte ontdekking gewoon over het hoofd ziet.

Om te snappen hoe ons heelal in elkaar zit, moeten wetenschappers het eigenlijk keer op keer namaken in een computer. Telkens krijgt het tijdens zo’n simulaties net iets andere natuurkundige spelregels, om te kijken welke variant het best past bij wat telescopen waarnemen. Zo’n virtueel heelal kost alleen wel een absurde hoeveelheid rekenkracht en dus geld.

Goed nieuws dus, dat een nieuwe studie laat zien dat AI de kosten flink omlaag kan brengen. Minder goed nieuws: de onderzoekers stuitten ook op een vervelende bijwerking. Hun AI bleek soms zo vastgeroest in wat het al kende, dat het echt nieuwe ontdekkingen over het hoofd zag.

Het standaardmodel

Sterrenkundigen leunen op een soort blauwdruk van het heelal, het ΛCDM-model (ook wel het standaardmodel genoemd). Deze blauwdruk verklaart bijvoorbeeld waarom het heelal almaar uitdijt en hoe sterrenstelsels over de ruimte verspreid liggen. Maar af is hij niet: er zijn waarnemingen die wijzen op "nieuwe natuurkunde". Een voorbeeld is de rol van neutrino's (spookachtige deeltjes die overal moeiteloos doorheen schieten). Om dat soort dingen te onderzoeken, zijn al die dure simulaties nodig.

De aanpak die de kosten drukt, heet transfer learning. Het idee erachter is dat je een AI niet meteen loslaat op de moeilijkste stof, maar eerst laat trainen op eenvoudigere modellen. De onderzoekers trainden hun systeem eerst op simpele simulaties van het standaardmodel en gingen daarna pas verder met de ingewikkelde varianten waarin die nieuwe natuurkunde zit. Dat maakte een verschil: bij sommige tests waren er ruim tien keer zo weinig kostbare simulaties nodig.

AI heeft het soms fout

Maar diezelfde opgebouwde kennis kan de AI ook op het verkeerde been zetten. Het lastige is namelijk dat sommige tekenen van nieuwe natuurkunde sprekend lijken op patronen die de AI al koppelt aan het oude vertrouwde model. Het propt het nieuwe in een oud hokje en mist daardoor wat er werkelijk speelt. Onderzoekers noemen dat negatieve overdracht.

Bij de neutrino's ging het op die manier mis. De invloed van de massa van die deeltjes leek verdacht veel op die van een bestaande grootheid uit het standaardmodel, σ8, die aangeeft hoe sterk materie in het heelal samenklontert. De AI kon de twee in het begin nauwelijks uit elkaar houden.