AI uit Heidelberg decodeerde de kosmos — het echte verhaal is waarom het stopte

De gegevensgrafiek die een onderzoeksteam uit Heidelberg tot stilstand bracht, was geen ontdekking — het was de afwezigheid ervan. Op een koude decemberochtend in 2025, aan het Instituut voor Theoretische Fysica, had een machine learning-model, getraind op miljarden datapunten uit kosmische surveys, zijn berekeningen zojuist voltooid. Het had met succes de vergelijkingen achterhaald die de grootschalige structuur van het universum bepalen, en voorspelde correct de verdeling van sterrenstelsels en het kosmische web op basis van de begincondities van de oerknal. Maar op schalen boven een paar honderd megaparsec stortten de voorspellingen in. De uitdijingssnelheid van het universum, die aangedreven zou moeten worden door donkere energie, werd simpelweg niet gereproduceerd. Een kunstmatige intelligentie die, in zekere zin, heeft ontcijferd hoe het universum werkt, had zojuist een gapend gat in het standaard kosmologisch model blootgelegd.

Een AI die ontcijferde hoe het universum werkt — totdat dat niet meer zo was

Het proces was niet triviaal. De architectuur van de AI omvatte symmetrieën waarvan bekend is dat ze natuurkundige wetten beperken, zoals rotatie- en translatie-invariantie, waardoor het netwerk werd gedwongen te leren van gegevens op een manier die de geometrie van de ruimtetijd respecteert. Toen het team echte waarnemingen van ESA's Euclid-ruimtetelescoop en de Dark Energy Survey invoerde, kon CosmoGraph met 99,7% nauwkeurigheid voorspellen waar sterrenstelsels zich zouden moeten bevinden — totdat het dat niet meer kon.

“We verwachtten enige afwijking op de allergrootste schalen vanwege kosmische variantie,” zei Voss, “maar het model onderschatte systematisch de clustering-amplitude en miste volledig de versnelling op latere tijdstippen. Het was alsof het universum, op zijn grootst, andere regels volgde.”

Een leemte waar donkere energie zou moeten zijn

Natuurkundigen weten al lang dat de kosmologische constante een tijdelijke aanduiding is, een parameter die zo nauwkeurig is afgesteld dat veel theoretici hem als onnatuurlijk beschouwen. Wat CosmoGraph onthulde, is dat een systeem dat uitsluitend is geoptimaliseerd om de gravitationele dynamiek van materie — donkere en zichtbare — te begrijpen, simpelweg geen noodzaak ziet voor een constante afstotende kracht. De versnelling komt pas naar voren wanneer de trainingsdata wordt gedwongen om de grootschalige waarnemingen op te nemen, wat vervolgens de nauwkeurigheid van het model op kleinere schalen aantast. Dit is het kenmerk van een ontbrekend ingrediënt: iets in de kosmos dat schaalafhankelijke structuurvorming koppelt aan de uitdijingssnelheid op een manier die onze huidige theorieën niet vatten.

Wat de blinde vlek van de AI ons vertelt over donkere materie en donkere energie

Als de kosmologische constante de juiste verklaring zou zijn, had een goed getrainde AI dit moeten kunnen afleiden als de eenvoudigste parametercorrectie. Het feit dat dit niet gebeurde, suggereert dat de werkelijke motor van de versnelling ingewikkelder verbonden is met de groei van structuur. Een interpretatie is dat donkere energie geen constante is maar een dynamisch veld — zoiets als kwintessens — dat in de tijd verandert en mogelijk interageert met donkere materie. Een andere, radicalere mogelijkheid is dat ons begrip van zwaartekracht zelf onvolledig is op kosmische afstanden, en dat gemodificeerde Newtoniaanse dynamica of een variant van emergente zwaartekracht de algemene relativiteitstheorie op de grootste schalen zou moeten vervangen.

Het falen van CosmoGraph is bijzonder acuut wanneer het probeert de uitdijingsgeschiedenis van het vroege universum, zoals vastgelegd in de kosmische achtergrondstraling, te verzoenen met de versnelling op latere tijdstippen. Dit is de Hubble-spanning in een nieuw jasje: de AI, getraind op gegevens van het vroege en midden-universum, geeft consequent de voorkeur aan een Hubble-constante die lager is dan wat lokaal wordt gemeten. De “mening” van de machine onderstreept wat veel waarnemers al vermoedden — de discrepantie is geen meetfout, maar een symptoom van een diepere fysieke kloof.

Waarom een blinde vlek van een AI een menselijk probleem is

Ondanks al zijn kracht is CosmoGraph een black box. Het team kan zien waar het misgaat, maar niet waarom in termen van intuïtieve natuurkunde. Het model voert geen nette vergelijking uit; het voert een voorspelling uit. Deze ondoorzichtigheid heeft geleid tot een debat binnen de natuurkundige gemeenschap over de rol van AI als ontdekkingsinstrument. Aan de ene kant valideert het succes van het model op kleinere schalen het gebruik van machine learning bij de zoektocht naar nieuwe natuurkunde; aan de andere kant riskeert de blindheid voor grootschalige versnelling het versterken van bestaande theoretische vooroordelen. Als de trainingsdata wordt gedomineerd door regimes waarin donkere energie een ondergeschikte rol speelt, zal de AI nooit leren er naar te zoeken.

“Machine learning versterkt de vooroordelen in je dataset,” legt Sebastian Huber uit, een theoretisch natuurkundige aan de ETH Zürich die niet bij het onderzoek betrokken was. “Als je het traint om een goede interpolatiemachine te zijn, zal het precies dat zijn — een interpolatiemachine. De interessante natuurkunde zit vaak in de extrapolatie, en daar heb je theorie voor nodig.”

Deze beperking is niet uniek voor de kosmologie. In de hele astrofysica en deeltjesfysica worden AI-modellen ingezet om petabytes aan data te doorzoeken en afwijkingen te signaleren die kunnen wijzen op nieuwe fenomenen. Maar de statistische technieken die ze gevoelig maken voor zwakke signalen, maken ze ook uiterst gevoelig voor instrumentele artefacten en modelleringsaannames. De blinde vlek die CosmoGraph onthulde, is ironisch genoeg misschien een kenmerk — een robuuste indicator dat onze huidige vergelijkingen niet het hele verhaal kunnen zijn — maar het trekken van die conclusie uit een neuraal netwerk vereist lagen van menselijk redeneren die de machine nog niet kan bieden.

Europa's Euclid en de toekomst van kosmische cartografie

Het werk van de Heidelberg-groep leunt zwaar op gegevens van de Euclid-missie van de ESA, de Europese ruimtetelescoop voor het donkere universum van 1,4 miljard euro. Euclid genereert de meest nauwkeurige driedimensionale kaart van de kosmos ooit gemaakt, waarbij de vormen en afstanden van miljarden sterrenstelsels worden gemeten om te volgen hoe donkere energie het universum in de loop van de kosmische tijd heeft gevormd. De missie is een kroonjuweel van de Europese ruimtevaartwetenschap, maar de datapijplijn is zowel een kans als een risico voor AI-gestuurde ontdekkingen.

Er is ook een financieringsspanning. Het Horizon Europe-programma heeft aanzienlijke middelen gestoken in AI en data science voor fundamentele natuurkunde, maar het resultaat van CosmoGraph suggereert dat puur datagestuurde benaderingen waarschijnlijk niet de langverwachte doorbraak op het gebied van donkere energie zullen opleveren. Het meer alledaagse werk van het verfijnen van budgetten voor systematische fouten en het bouwen van realistischere simulaties is misschien minder opvallend, maar het is het fundament waarop elke AI-ontdekking moet rusten.

Het team uit Heidelberg is van plan zijn model opnieuw te draaien met uitgebreide trainingssets die kunstmatig grootschalige versnellingsscenario's injecteren, waardoor de AI in feite leert wat hij kan verwachten. Dat is een vreemde inversie: in plaats van de data voor zich te laten spreken, geven ze de machine een theoretisch recept. Het is het soort methodologisch compromis waar een ouderwetse empiricus van zou huiveren. Maar het is wellicht ook de snelste manier om erachter te komen of het gat in het standaardmodel een barst in onze theorieën is of slechts een spiegel van onze eigen onwetendheid.

Bronnen

• Heidelberg University STRUCTURES Cluster (onderzoekspresentatie en preprint)
• ESA Euclid Consortium datareleases en technische documentatie
• Nature Astronomy (binnenkort verschijnend artikel over AI-afgeleide kosmologische beperkingen)