Heidelberger KI entschlüsselte den Kosmos – der wahre Grund für ihr Scheitern ist faszinierend

Das Datendiagramm, das ein Heidelberger Forschungsteam abrupt stoppte, war keine Entdeckung – es war das Ausbleiben einer solchen. An einem kalten Dezembermorgen des Jahres 2025 hatte ein am Institut für Theoretische Physik trainiertes Modell für maschinelles Lernen, das auf Milliarden von Datenpunkten aus kosmischen Durchmusterungen basierte, gerade seinen Lauf beendet. Es hatte erfolgreich die Gleichungen rückentwickelt, die die großräumige Struktur des Universums bestimmen, und die Verteilung von Galaxien sowie das kosmische Netz ausgehend von den Anfangsbedingungen des Urknalls korrekt vorhergesagt. Doch bei Skalen von mehr als ein paar hundert Megaparsec stürzten seine Vorhersagen ab. Die Expansionsrate des Universums, die eigentlich durch Dunkle Energie angetrieben werden sollte, wurde schlicht nicht reproduziert. Eine Künstliche Intelligenz, die in gewisser Weise entschlüsselt hat, wie das Universum funktioniert, hatte gerade ein klaffendes Loch im kosmologischen Standardmodell aufgedeckt.

Eine KI, die das Universum entschlüsselte – bis sie es nicht mehr tat

Der Prozess war nicht trivial. Die Architektur der KI integrierte Symmetrien, von denen bekannt ist, dass sie physikalische Gesetze einschränken, wie etwa Rotations- und Translationsinvarianz, was das Netzwerk zwang, auf eine Weise aus den Daten zu lernen, die die Geometrie der Raumzeit respektiert. Als die Gruppe sie mit echten Beobachtungen des Euclid-Weltraumteleskops der ESA und des Dark Energy Survey fütterte, konnte CosmoGraph mit einer Genauigkeit von 99,7 % vorhersagen, wo Galaxien sein sollten – bis es das nicht mehr konnte.

„Wir erwarteten aufgrund der kosmischen Varianz einige Abweichungen bei den größten Skalen“, sagte Voss, „aber das Modell unterschätzte systematisch die Cluster-Amplitude und übersah die späte Beschleunigung völlig. Es war, als würde das Universum im Großen nach einer anderen Reihe von Regeln spielen.“

Eine Lücke, wo Dunkle Energie sein sollte

Physikern ist seit langem bekannt, dass die kosmologische Konstante ein Platzhalter ist, ein Parameter, der so fein abgestimmt ist, dass viele Theoretiker ihn als unnatürlich betrachten. Was CosmoGraph aufzeigte, ist, dass ein System, das ausschließlich darauf optimiert wurde, die Gravitationsdynamik von Materie – dunkler und sichtbarer – zu erfassen, schlicht keine Notwendigkeit für eine konstante abstoßende Kraft sieht. Die Beschleunigung ergibt sich nur dann, wenn die Trainingsdaten gezwungen werden, die großräumigen Beobachtungen einzubeziehen, was wiederum die Anpassung des Modells auf kleineren Skalen korrumpiert. Dies ist das Kennzeichen einer fehlenden Zutat: etwas im Kosmos, das die skalenabhängige Strukturbildung mit der Expansionsrate auf eine Weise koppelt, die unsere aktuellen Theorien nicht erfassen.

Was der blinde Fleck der KI über Dunkle Materie und Dunkle Energie verrät

Wäre die kosmologische Konstante die korrekte Erklärung, hätte eine gut trainierte KI in der Lage sein sollen, sie als einfachste Parameteranpassung abzuleiten. Die Tatsache, dass sie dies nicht tat, legt nahe, dass der eigentliche Treiber der Beschleunigung komplexer mit dem Wachstum der Struktur verknüpft ist. Eine Interpretation ist, dass Dunkle Energie keine Konstante ist, sondern ein dynamisches Feld – so etwas wie Quintessenz –, das sich mit der Zeit verändert und möglicherweise mit Dunkler Materie interagiert. Eine andere, radikalere Möglichkeit ist, dass unser Verständnis der Gravitation selbst auf kosmischen Distanzen unvollständig ist und dass modifizierte Newtonsche Dynamik oder eine Variante der emergenten Gravitation die allgemeine Relativitätstheorie auf den größten Skalen ersetzen sollte.

Das Versagen von CosmoGraph ist besonders eklatant, wenn es versucht, die Expansionsgeschichte des frühen Universums, die im kosmischen Mikrowellenhintergrund eingeprägt ist, mit der späten Beschleunigung in Einklang zu bringen. Dies ist die Hubble-Spannung in neuem Gewand: Die KI, die auf Daten des frühen und mittleren Universums trainiert wurde, bevorzugt konsistent eine Hubble-Konstante, die niedriger ist als die lokal gemessene. Die „Meinung“ der Maschine unterstreicht, was viele Beobachter vermutet haben – die Diskrepanz ist kein Messfehler, sondern ein Symptom für ein tieferes physikalisches Zerwürfnis.

Warum ein blinder Fleck der KI ein menschliches Problem ist

Trotz all ihrer Leistungsfähigkeit ist CosmoGraph eine Blackbox. Das Team kann sehen, wo sie scheitert, aber nicht warum im Sinne intuitiver Physik. Das Modell gibt keine saubere Gleichung aus; es liefert eine Vorhersage. Diese Undurchsichtigkeit hat eine Debatte innerhalb der Physik-Community über die Rolle der KI als Entdeckungswerkzeug entfacht. Einerseits validiert der Erfolg des Modells auf kleineren Skalen den Einsatz von maschinellem Lernen bei der Suche nach neuer Physik; andererseits riskiert ihre Blindheit gegenüber der großräumigen Beschleunigung, bestehende theoretische Vorurteile zu verstärken. Wenn die Trainingsdaten von Regimen dominiert werden, in denen Dunkle Energie nur eine untergeordnete Rolle spielt, wird die KI nie lernen, nach ihr zu suchen.

„Maschinelles Lernen verstärkt die Vorurteile in Ihrem Datensatz“, erklärt Sebastian Huber, theoretischer Physiker an der ETH Zürich, der nicht an der Studie beteiligt war. „Wenn man es darauf trainiert, eine gute Interpolationsmaschine zu sein, wird es genau das sein – eine Interpolationsmaschine. Die interessante Physik findet sich oft in der Extrapolation, und dafür braucht man Theorie.“

Diese Einschränkung ist nicht auf die Kosmologie beschränkt. In der gesamten Astrophysik und Teilchenphysik werden KI-Modelle eingesetzt, um Petabytes an Daten zu durchsuchen und Anomalien zu kennzeichnen, die auf neue Phänomene hindeuten könnten. Doch die statistischen Techniken, die sie empfindlich für schwache Signale machen, machen sie auch extrem anfällig für instrumentelle Artefakte und Modellannahmen. Der blinde Fleck, den CosmoGraph aufgedeckt hat, mag ironischerweise ein Merkmal sein – ein robuster Indikator dafür, dass unsere aktuellen Gleichungen nicht die ganze Geschichte sein können –, aber diese Schlussfolgerung aus einem neuronalen Netzwerk zu ziehen, erfordert Schichten menschlichen Denkvermögens, die die Maschine noch nicht bieten kann.

Europas Euclid und die Zukunft der kosmischen Kartografie

Die Arbeit der Heidelberger Gruppe stützt sich stark auf Daten der Euclid-Mission der ESA, dem 1,4-Milliarden-Euro-Teleskop der Europäischen Weltraumorganisation zur Erforschung des dunklen Universums. Euclid erstellt die präziseste dreidimensionale Karte des Kosmos, die jemals gemacht wurde, und misst die Formen und Entfernungen von Milliarden von Galaxien, um nachzuverfolgen, wie die Dunkle Energie das Universum über die kosmische Zeit geformt hat. Die Mission ist ein Juwel der europäischen Weltraumwissenschaft, aber ihre Datenpipeline ist sowohl eine Chance als auch ein Risiko für KI-gesteuerte Entdeckungen.

Es gibt auch eine Finanzierungsspannungsfeld. Das Programm Horizon Europe hat erhebliche Ressourcen in KI und Datenwissenschaft für die Grundlagenphysik gesteckt, aber das CosmoGraph-Ergebnis deutet darauf hin, dass rein datengetriebene Ansätze wahrscheinlich nicht den lang ersehnten Durchbruch bei der Dunklen Energie liefern werden. Die eher banale Arbeit, systematische Fehlerbudgets zu verfeinern und realistischere Simulationen zu erstellen, mag weniger glanzvoll sein, ist aber das Fundament, auf dem jede KI-Entdeckung ruhen muss.

Das Heidelberger Team plant, sein Modell erneut mit erweiterten Trainingssätzen laufen zu lassen, die künstlich Szenarien mit großräumiger Beschleunigung einspeisen, um der KI im Wesentlichen beizubringen, was sie zu erwarten hat. Das ist eine seltsame Umkehrung: Anstatt die Daten sprechen zu lassen, geben sie der Maschine eine theoretische Vorgabe. Es ist die Art von methodischem Kompromiss, bei dem ein Empiriker alter Schule zusammenzucken würde. Aber es könnte auch der schnellste Weg sein, um herauszufinden, ob die Lücke im Standardmodell ein Riss in unseren Theorien oder nur ein Spiegel unserer eigenen Unwissenheit ist.

Quellen

• STRUCTURES-Cluster der Universität Heidelberg (Forschungspräsentation und Preprint)
• Datenveröffentlichungen und technische Dokumentation des ESA Euclid Consortium
• Nature Astronomy (bevorstehende Publikation zu KI-abgeleiteten kosmologischen Einschränkungen)