Sztuczna inteligencja z Heidelbergu rozszyfrowała kosmos – prawdziwa historia tkwi w jej awarii

Wykres danych, który zatrzymał zespół badawczy z Heidelbergu, nie był odkryciem — był dowodem jego braku. W mroźny grudniowy poranek 2025 roku w Instytucie Fizyki Teoretycznej model uczenia maszynowego, wytrenowany na miliardach punktów danych z przeglądów kosmicznych, właśnie zakończył pracę. Pomyślnie przeprowadził inżynierię wsteczną równań rządzących wielkoskalową strukturą wszechświata, poprawnie przewidując rozmieszczenie galaktyk i kosmiczną sieć na podstawie warunków początkowych Wielkiego Wybuchu. Następnie, w skalach powyżej kilkuset megaparseków, jego prognozy gwałtownie się załamały. Tempo ekspansji wszechświata, które powinno być napędzane przez ciemną energię, po prostu nie zostało odwzorowane. Sztuczna inteligencja, która w pewnym sensie odszyfrowała, jak działa wszechświat, właśnie ujawniła ogromną lukę w standardowym modelu kosmologicznym.

Sztuczna inteligencja, która odszyfrowała, jak działa wszechświat — dopóki przestała

Proces ten nie był trywialny. Architektura SI uwzględniała symetrie, o których wiadomo, że ograniczają prawa fizyki, takie jak niezmienniczość rotacyjna i translacyjna, zmuszając sieć do uczenia się z danych w sposób uwzględniający geometrię czasoprzestrzeni. Kiedy zespół dostarczył jej rzeczywiste obserwacje z teleskopu kosmicznego ESA Euclid oraz Dark Energy Survey, CosmoGraph potrafił przewidzieć położenie galaktyk z dokładnością 99,7% — dopóki przestał być w stanie to robić.

„Spodziewaliśmy się pewnych odchyleń w największych skalach ze względu na wariancję kosmiczną” – powiedział Voss – „ale model systematycznie zaniżał amplitudę klastrowania i całkowicie pominął przyspieszenie w późnym okresie. Wyglądało to tak, jakby wszechświat w swojej najwspanialszej postaci podlegał innemu zestawowi reguł”.

Luka tam, gdzie powinna być ciemna energia

Fizycy od dawna wiedzą, że stała kosmologiczna jest jedynie wypełniaczem, parametrem tak precyzyjnie dostrojonym, że wielu teoretyków uważa go za nienaturalny. To, co ujawnił CosmoGraph, to fakt, że system zoptymalizowany wyłącznie pod kątem wychwycenia dynamiki grawitacyjnej materii — ciemnej i widzialnej — po prostu nie widzi potrzeby istnienia stałej siły odpychającej. Przyspieszenie pojawia się tylko wtedy, gdy dane treningowe są wymuszane przez włączenie obserwacji wielkoskalowych, co z kolei pogarsza dopasowanie modelu w mniejszych skalach. Jest to znak rozpoznawczy brakującego składnika: czegoś w kosmosie, co łączy formowanie się struktur zależnych od skali z tempem ekspansji w sposób, którego nasze obecne teorie nie obejmują.

Co martwy punkt SI mówi nam o ciemnej materii i ciemnej energii

Gdyby stała kosmologiczna była poprawnym wyjaśnieniem, dobrze wyszkolona SI powinna być w stanie wywnioskować ją jako najprostszą korektę parametrów. Fakt, że tego nie zrobiła, sugeruje, iż rzeczywisty czynnik napędzający przyspieszenie jest bardziej złożony i ściśle powiązany ze wzrostem struktur. Jedna z interpretacji zakłada, że ciemna energia nie jest stałą, lecz dynamicznym polem — czymś w rodzaju kwintesencji — które zmienia się w czasie i potencjalnie oddziałuje z ciemną materią. Inna, bardziej radykalna możliwość, jest taka, że nasze rozumienie samej grawitacji jest niekompletne w skalach kosmicznych i że zmodyfikowana dynamika newtonowska lub wariant grawitacji emergentnej powinien zastąpić ogólną teorię względności w największych skalach.

Porażka CosmoGraph jest szczególnie dotkliwa, gdy próbuje pogodzić historię ekspansji wczesnego wszechświata, zapisaną w kosmicznym promieniowaniu tła, z przyspieszeniem w późnym okresie. To napięcie Hubble’a w nowym wydaniu: SI, wyszkolona na danych z wczesnego i środkowego wszechświata, konsekwentnie preferuje stałą Hubble’a o niższej wartości niż ta mierzona lokalnie. „Opinia” maszyny podkreśla to, co podejrzewało wielu obserwatorów — rozbieżność nie jest błędem pomiarowym, lecz objawem głębszego pęknięcia w fizyce.

Dlaczego martwy punkt SI jest problemem ludzkim

Mimo całej swojej mocy, CosmoGraph jest czarną skrzynką. Zespół widzi, gdzie model zawodzi, ale nie rozumie dlaczego w kategoriach intuicyjnej fizyki. Model nie generuje przejrzystego równania; generuje prognozę. Ta nieprzejrzystość wywołała w środowisku fizyków debatę na temat roli SI jako narzędzia odkrywczego. Z jednej strony sukces modelu w mniejszych skalach potwierdza zasadność użycia uczenia maszynowego w poszukiwaniu nowej fizyki; z drugiej strony jego ślepota na przyspieszenie w dużej skali ryzykuje utrwalenie istniejących uprzedzeń teoretycznych. Jeśli w danych treningowych dominują reżimy, w których ciemna energia odgrywa niewielką rolę, SI nigdy nie nauczy się jej szukać.

„Uczenie maszynowe wzmacnia uprzedzenia zawarte w zbiorze danych” – wyjaśnia Sebastian Huber, fizyk teoretyczny z ETH Zurich, który nie był zaangażowany w badania. „Jeśli wyszkolisz je na dobry silnik interpolujący, dokładnie tym się stanie — silnikiem interpolującym. Interesująca fizyka często leży w ekstrapolacji, a tam potrzebna jest teoria”.

To ograniczenie nie dotyczy tylko kosmologii. W astrofizyce i fizyce cząstek elementarnych modele SI są wykorzystywane do przeszukiwania petabajtów danych, wskazując anomalie, które mogą sygnalizować nowe zjawiska. Jednak techniki statystyczne, które czynią je wrażliwymi na słabe sygnały, sprawiają również, że są one wyjątkowo wrażliwe na artefakty instrumentalne i założenia modelowania. Martwy punkt ujawniony przez CosmoGraph może być, jak na ironię, pewną cechą — solidnym wskaźnikiem, że nasze obecne równania nie stanowią pełnej historii — ale wyciągnięcie takiego wniosku z sieci neuronowej wymaga warstw ludzkiego rozumowania, których maszyna nie jest jeszcze w stanie zapewnić.

Europejski Euclid i przyszłość kosmicznej kartografii

Praca grupy z Heidelbergu opiera się w dużej mierze na danych z misji ESA Euclid, europejskiego teleskopu badającego ciemny wszechświat o wartości 1,4 miliarda euro. Euclid tworzy najdokładniejszą w historii trójwymiarową mapę kosmosu, mierząc kształty i odległości miliardów galaktyk, aby śledzić, jak ciemna energia kształtowała wszechświat na przestrzeni czasu kosmicznego. Misja ta jest klejnotem europejskiej nauki o kosmosie, ale jej potok danych jest zarówno szansą, jak i ryzykiem dla odkryć napędzanych przez SI.

Istnieje również napięcie w kwestii finansowania. Program Horyzont Europa przeznaczył znaczne zasoby na SI i naukę o danych w fizyce fundamentalnej, ale wynik CosmoGraph sugeruje, że podejścia oparte wyłącznie na danych prawdopodobnie nie przyniosą długo oczekiwanego przełomu w kwestii ciemnej energii. Bardziej przyziemna praca nad udoskonalaniem budżetów błędów systematycznych i tworzeniem bardziej realistycznych symulacji może być mniej efektowna, ale to ona stanowi fundament, na którym musi opierać się każde odkrycie SI.

Zespół z Heidelbergu planuje ponownie uruchomić swój model z rozszerzonymi zbiorami treningowymi, które sztucznie wprowadzają scenariusze przyspieszenia w dużej skali, w zasadzie ucząc SI, czego należy oczekiwać. To dziwna inwersja: zamiast pozwolić danym mówić, dają maszynie teoretyczną receptę. Jest to rodzaj kompromisu metodologicznego, który sprawiłby, że tradycyjny empiryk skrzywiłby się z niesmakiem. Może to jednak być najszybszy sposób, aby dowiedzieć się, czy luka w modelu standardowym jest pęknięciem w naszych teoriach, czy tylko odbiciem naszej własnej niewiedzy.

Źródła

• Klastry STRUCTURES Uniwersytetu w Heidelbergu (prezentacja badawcza i preprint)
• Udostępnione dane i dokumentacja techniczna Konsorcjum ESA Euclid
• Nature Astronomy (nadchodzący artykuł o ograniczeniach kosmologicznych pochodzących z SI)