L'IA di Heidelberg ha decodificato il cosmo: la vera storia è perché ha smesso di funzionare

Il grafico dei dati che ha bloccato un team di ricerca di Heidelberg non era una scoperta, bensì l'assenza di essa. In una fredda mattina di dicembre del 2025, presso l'Istituto di Fisica Teorica, un modello di machine learning addestrato su miliardi di punti dati provenienti da indagini cosmiche aveva appena terminato la sua esecuzione. Aveva decodificato con successo le equazioni che governano la struttura su larga scala dell'universo, prevedendo correttamente la distribuzione delle galassie e la rete cosmica a partire dalle condizioni iniziali del Big Bang. Poi, su scale superiori a poche centinaia di megaparsec, le sue previsioni sono precipitate. Il tasso di espansione dell'universo, quello che dovrebbe essere guidato dall'energia oscura, non veniva semplicemente riprodotto. Un'intelligenza artificiale che, in un certo senso, ha decodificato come funziona l'universo aveva appena rivelato un vuoto incolmabile nel modello cosmologico standard.

Un'IA che ha decodificato come funziona l'universo, finché non l'ha più fatto

Il processo non è stato banale. L'architettura dell'IA incorporava simmetrie note per vincolare le leggi fisiche, come l'invarianza rotazionale e traslazionale, costringendo la rete a imparare dai dati in modo da rispettare la geometria dello spaziotempo. Quando il gruppo l'ha alimentata con osservazioni reali provenienti dal telescopio spaziale Euclid dell'ESA e dal Dark Energy Survey, CosmoGraph è riuscita a prevedere la posizione delle galassie con un'accuratezza del 99,7%, finché non ci è più riuscita.

“Ci aspettavamo una certa deviazione alle scale più ampie a causa della varianza cosmica”, ha detto Voss, “ma il modello sottostimava sistematicamente l'ampiezza dell'aggregazione e mancava completamente l'accelerazione in tempi tardivi. Era come se l'universo, nella sua massima espressione, obbedisse a un diverso insieme di regole”.

Un vuoto dove dovrebbe esserci l'energia oscura

I fisici sanno da tempo che la costante cosmologica è un segnaposto, un parametro così finemente calibrato che molti teorici lo considerano innaturale. Ciò che CosmoGraph ha rivelato è che un sistema ottimizzato esclusivamente per catturare le dinamiche gravitazionali della materia, oscura e visibile, semplicemente non vede la necessità di una forza repulsiva costante. L'accelerazione emerge solo quando i dati di addestramento vengono forzati a includere le osservazioni su larga scala, il che corrompe l'adattamento del modello su scale minori. Questo è il segno distintivo di un ingrediente mancante: qualcosa nel cosmo che accoppia la formazione di strutture dipendenti dalla scala al tasso di espansione in un modo che le nostre teorie attuali non colgono.

Cosa ci dice il punto cieco dell'IA sulla materia oscura e sull'energia oscura

Se la costante cosmologica fosse la spiegazione corretta, un'IA ben addestrata avrebbe dovuto essere in grado di dedurla come il più semplice degli aggiustamenti parametrici. Il fatto che non lo abbia fatto suggerisce che il vero motore dell'accelerazione sia più intrinsecamente legato alla crescita della struttura. Un'interpretazione è che l'energia oscura non sia una costante, ma un campo dinamico — qualcosa come la quintessenza — che cambia nel tempo e potenzialmente interagisce con la materia oscura. Un'altra possibilità, più radicale, è che la nostra comprensione della gravità stessa sia incompleta alle distanze cosmiche e che la dinamica newtoniana modificata o una variante della gravità emergente debbano sostituire la relatività generale alle scale più grandi.

Il fallimento di CosmoGraph è particolarmente acuto quando cerca di riconciliare la storia dell'espansione dell'universo primordiale, impressa nella radiazione cosmica di fondo, con l'accelerazione in tempi tardivi. Questa è la tensione di Hubble sotto una nuova veste: l'IA, addestrata su dati dell'universo primordiale e intermedio, preferisce costantemente una costante di Hubble inferiore a quella misurata localmente. L'"opinione" della macchina sottolinea ciò che molti osservatori sospettavano: la discrepanza non è un errore di misurazione, ma un sintomo di una frattura fisica più profonda.

Perché il punto cieco di un'IA è un problema umano

Nonostante tutta la sua potenza, CosmoGraph è una scatola nera. Il team può vedere dove fallisce, ma non perché in termini di fisica intuitiva. Il modello non produce un'equazione ordinata; produce una previsione. Questa opacità ha scatenato un dibattito all'interno della comunità fisica sul ruolo dell'IA come strumento di scoperta. Da un lato, il successo del modello su scale ridotte convalida l'uso del machine learning per cercare nuova fisica; dall'altro, la sua cecità all'accelerazione su larga scala rischia di rafforzare i pregiudizi teorici esistenti. Se i dati di addestramento sono dominati da regimi in cui l'energia oscura è un attore minore, l'IA non imparerà mai a cercarla.

“Il machine learning amplifica i pregiudizi presenti nel tuo set di dati”, spiega Sebastian Huber, fisico teorico all'ETH di Zurigo non coinvolto nello studio. “Se lo addestri per essere un buon motore di interpolazione, sarà esattamente questo: un motore di interpolazione. La fisica interessante si trova spesso nell'estrapolazione e, lì, hai bisogno della teoria”.

Questa limitazione non è specifica della cosmologia. In tutta l'astrofisica e la fisica delle particelle, i modelli di IA vengono impiegati per setacciare petabyte di dati, segnalando anomalie che potrebbero indicare nuovi fenomeni. Tuttavia, le tecniche statistiche che li rendono sensibili a segnali deboli li rendono anche squisitamente sensibili ad artefatti strumentali e assunzioni di modellazione. Il punto cieco rivelato da CosmoGraph potrebbe essere, ironicamente, una caratteristica: un indicatore robusto del fatto che le nostre equazioni attuali non raccontano tutta la storia. Ma estrarre questa conclusione da una rete neurale richiede livelli di ragionamento umano che la macchina non è ancora in grado di fornire.

Euclid dell'Europa e il futuro della cartografia cosmica

Il lavoro del gruppo di Heidelberg si basa pesantemente sui dati della missione Euclid dell'ESA, il telescopio dell'universo oscuro dell'Agenzia Spaziale Europea dal valore di 1,4 miliardi di euro. Euclid sta generando la mappa tridimensionale del cosmo più precisa mai realizzata, misurando le forme e le distanze di miliardi di galassie per tracciare come l'energia oscura abbia modellato l'universo nel corso del tempo cosmico. La missione è un gioiello della scienza spaziale europea, ma la sua pipeline di dati rappresenta al contempo un'opportunità e un rischio per la scoperta guidata dall'IA.

Esiste anche una tensione nei finanziamenti. Il programma Horizon Europe ha riversato risorse significative nell'IA e nella scienza dei dati per la fisica fondamentale, ma il risultato di CosmoGraph suggerisce che gli approcci puramente basati sui dati difficilmente porteranno alla tanto attesa svolta sull'energia oscura. Il lavoro più banale di raffinamento dei budget degli errori sistematici e di costruzione di simulazioni più realistiche può essere meno appariscente, ma è la base su cui deve poggiare ogni scoperta tramite IA.

Il team di Heidelberg prevede di eseguire nuovamente il suo modello con set di addestramento ampliati che iniettano artificialmente scenari di accelerazione su larga scala, insegnando essenzialmente all'IA cosa aspettarsi. È un'inversione strana: invece di lasciare che siano i dati a parlare, stanno fornendo alla macchina una prescrizione teorica. È il tipo di compromesso metodologico che farebbe storcere il naso a un empirista della vecchia scuola. Ma potrebbe anche essere il modo più rapido per scoprire se il vuoto nel modello standard sia una crepa nelle nostre teorie o solo uno specchio della nostra ignoranza.

Fonti

• Heidelberg University STRUCTURES Cluster (presentazione di ricerca e preprint)
• Rilasci di dati e documentazione tecnica del consorzio ESA Euclid
• Nature Astronomy (articolo di prossima pubblicazione sui vincoli cosmologici derivati dall'IA)