ハイデルベルクのAIが宇宙の謎を解明――その「停止」が意味する衝撃の物語

ハイデルベルクの研究チームが立ち止まることになったデータプロットは、発見によるものではなく、むしろ「発見の欠如」によるものだった。2025年12月の寒い朝、理論物理学研究所において、宇宙探査から得られた数十億ものデータポイントで学習された機械学習モデルの実行が終了した。そのモデルは、宇宙の大規模構造を支配する方程式を逆算することに成功し、ビッグバンの初期条件から銀河の分布や宇宙網（コズミックウェブ）を正確に予測していた。ところが、数百メガパーセクを超えるスケールになると、その予測は崖から転落するように崩れ去った。本来であればダークエネルギーによって駆動されるはずの宇宙の膨張率が、全く再現されなかったのである。ある意味で宇宙の仕組みを解読したはずの人工知能は、標準宇宙論モデルにぽっかりと開いた穴を露呈させた。

宇宙の仕組みを解読したAI — そして、それが崩壊するまで

そのプロセスは単純なものではなかった。AIのアーキテクチャには、回転不変性や並進不変性といった、物理法則を制約する対称性が組み込まれており、ネットワークが時空の幾何学的性質を尊重した形でデータから学習するように強制されていた。グループがESAのEuclid宇宙望遠鏡とダークエネルギーサーベイによる実観測データを入力したところ、CosmoGraphは銀河がどこに存在するべきかを99.7%の精度で予測することができた――それができなくなるまでは。

「宇宙論的分散のために、最大スケールで多少の乖離が生じることは予想していました」とヴォス氏は語る。「しかし、モデルは系統的にクラスタリングの振幅を過小評価し、後期の加速膨張を完全に見落としていました。まるで宇宙が、その最も壮大なスケールにおいて、別の規則に従っているかのようでした」

ダークエネルギーが存在すべき場所にある空白

物理学者たちは以前から、宇宙定数が「プレースホルダー（仮の置き場所）」に過ぎないことを知っていた。このパラメータはあまりに微調整されており、多くの理論家にとって不自然なものと見なされている。CosmoGraphが明らかにしたのは、物質（ダークマターと通常の物質）の重力ダイナミクスを捉えることにのみ最適化されたシステムは、一定の斥力の必要性を単純に認識できないということである。加速膨張は、学習データに大規模観測を強制的に含めた場合にのみ出現するが、そうすると今度は小規模スケールでのモデルの適合性が損なわれてしまう。これは「欠けている要素」の兆候である。つまり、現在の理論では捉えきれていない、構造形成のスケール依存性と膨張率を結びつける何らかの存在である。

AIの死角が私たちに告げるダークマターとダークエネルギーの真実

もし宇宙定数が正しい説明であるならば、適切に学習されたAIは、最も単純なパラメータ調整としてそれを推論できたはずである。それができなかったという事実は、加速膨張の真の原動力が、構造の成長とより複雑に結びついていることを示唆している。一つの解釈は、ダークエネルギーは定数ではなく、時間とともに変化し、場合によってはダークマターと相互作用するクインテッセンスのような動的な場であるというものだ。より過激な別の可能性としては、宇宙的距離において我々の重力の理解そのものが不完全であり、最大スケールでは一般相対性理論に代わって修正ニュートン力学（MOND）や創発重力の変種が必要になるというものがある。

CosmoGraphの失敗は、宇宙マイクロ波背景放射に刻まれた初期宇宙の膨張履歴と、後期の加速膨張を両立させようとしたときに特に顕著になる。これは「ハッブルテンション」の新たな形である。初期から中期宇宙のデータで学習されたAIは、一貫して局所的に測定される値よりも低いハッブル定数を支持する。このマシンの「意見」は、多くの観測者が疑ってきたこと、すなわちこの不一致は測定エラーではなく、より深い物理的な断絶の兆候である可能性を裏付けている。

なぜAIの死角が人間にとっての問題なのか

その強力な性能にもかかわらず、CosmoGraphはブラックボックスである。チームはそれがどこで失敗するかは確認できるが、直感的な物理学の観点からなぜそうなるのかは説明できない。モデルは整然とした方程式を出力するのではなく、単なる予測を出力する。この不透明さは、物理学コミュニティ内で発見ツールとしてのAIの役割に関する議論を巻き起こしている。一方では、小規模スケールでのモデルの成功が、新しい物理学の探求に機械学習を用いることの妥当性を示している。他方では、大規模な加速膨張に対して盲目であることが、既存の理論的なバイアスを強化するリスクを孕んでいる。もし学習データがダークエネルギーの影響が小さい領域に偏っていれば、AIはそれを探すことを決して学ばないからだ。

「機械学習は、データセットに含まれる先入観を増幅させます」と、研究には関与していないETHチューリッヒの理論物理学者セバスチャン・フーバー氏は説明する。「優れた補間エンジンになるよう学習させれば、それはまさに『補間エンジン』になるだけです。興味深い物理学は多くの場合その外挿の先にあり、そこには理論が必要なのです」

この限界は宇宙論特有のものではない。天体物理学や素粒子物理学の全域において、AIモデルはペタバイト級のデータを精査し、新しい現象の兆候となり得る異常をフラグ立てするために導入されている。しかし、微かな信号を検出できる統計的手法は、同時に機器のアーティファクトやモデリングの前提条件に対しても極めて敏感になってしまう。CosmoGraphが露呈させた死角は、皮肉なことに一つの特徴――現在の我々の方程式が完全ではないという確固たる指標――である可能性がある。しかし、ニューラルネットワークからその結論を引き出すには、マシンが未だ提供できないレベルの「人間による推論」が必要となるのである。

欧州のEuclidと宇宙地図作成の未来

ハイデルベルクのグループの研究は、欧州宇宙機関（ESA）の14億ユーロを投じたダークユニバース望遠鏡「Euclid」のデータに大きく依存している。Euclidは、宇宙の形状と数十億の銀河までの距離を測定し、ダークエネルギーが宇宙の時間経過とともにどのように宇宙を形成してきたかを追跡する、史上最も精密な宇宙の3Dマップを作成している。このミッションは欧州宇宙科学の至宝であるが、そのデータパイプラインはAI主導の発見にとって好機であると同時にリスクでもある。

そこには資金面での緊張感も存在する。Horizon Europeプログラムは基礎物理学のためのAIおよびデータサイエンスに多大なリソースを投入してきたが、CosmoGraphの結果は、純粋なデータ駆動型アプローチだけではダークエネルギーに関する長年の突破口を開くことは難しい可能性を示唆している。系統誤差の予算を精査し、より現実的なシミュレーションを構築するという地道な作業は、派手さには欠けるかもしれないが、AIによるいかなる発見もその基盤の上に成り立たなければならない。

ハイデルベルクのチームは、大規模な加速膨張シナリオを人為的に注入した拡張学習セットを用いて、モデルを再度実行する予定だ。これは本質的に、AIに何を期待すべきかを教え込む作業である。それは奇妙な逆転現象といえる。「データを語らせる」のではなく、マシンに理論的な処方箋を与えているからだ。これは昔ながらの経験主義者を顔しかめさせるような妥協かもしれない。しかし、標準モデルの隙間が理論の亀裂なのか、それとも我々の無知を映し出す鏡に過ぎないのかを見極めるための、最も速い道である可能性もある。

ソース

• ハイデルベルク大学 STRUCTURES Cluster（研究発表およびプレプリント）
• ESA Euclidコンソーシアム データリリースおよび技術文書
• Nature Astronomy（AI由来の宇宙論的制約に関する論文、近刊）