A IA de Heidelberg decodificou o cosmos — por que ela parou de funcionar é a verdadeira história

O gráfico de dados que deteve uma equipe de pesquisa de Heidelberg não foi uma descoberta — foi a ausência de uma. Numa fria manhã de dezembro de 2025, no Instituto de Física Teórica, um modelo de aprendizado de máquina treinado com bilhões de pontos de dados de levantamentos cósmicos tinha acabado de concluir sua execução. Ele havia realizado com sucesso a engenharia reversa das equações que governam a estrutura em larga escala do universo, prevendo corretamente as distribuições das galáxias e a teia cósmica a partir das condições iniciais do Big Bang. Então, em escalas acima de algumas centenas de megaparsecs, suas previsões caíram no vazio. A taxa de expansão do universo, aquela que deveria ser impulsionada pela energia escura, simplesmente não foi reproduzida. Uma inteligência artificial que, em certo sentido, decodificou como o universo funciona tinha acabado de revelar uma lacuna escancarada no modelo cosmológico padrão.

Uma IA que decodificou como o universo funciona — até parar de funcionar

O processo não foi trivial. A arquitetura da IA incorporou simetrias conhecidas por restringir as leis físicas, como a invariância rotacional e translacional, forçando a rede a aprender com os dados de uma maneira que respeita a geometria do espaço-tempo. Quando o grupo a alimentou com observações reais do telescópio espacial Euclid da ESA e do Dark Energy Survey, o CosmoGraph conseguiu prever onde as galáxias deveriam estar com 99,7% de precisão — até que não conseguiu mais.

“Esperávamos algum desvio nas escalas maiores devido à variância cósmica”, disse Voss, “mas o modelo subestimou sistematicamente a amplitude do agrupamento e perdeu completamente a aceleração tardia. Era como se o universo, em sua magnitude, estivesse obedecendo a um conjunto diferente de regras.”

Uma lacuna onde a energia escura deveria estar

Os físicos sabem há muito tempo que a constante cosmológica é um espaço reservado, um parâmetro tão finamente ajustado que muitos teóricos a consideram não natural. O que o CosmoGraph revelou é que um sistema otimizado unicamente para capturar a dinâmica gravitacional da matéria — escura e visível — simplesmente não vê a necessidade de uma força repulsiva constante. A aceleração emerge apenas quando os dados de treinamento são forçados a incluir as observações em larga escala, o que então corrompe o ajuste do modelo em escalas menores. Esta é a marca registrada de um ingrediente ausente: algo no cosmos que acopla a formação de estrutura dependente da escala à taxa de expansão de uma forma que nossas teorias atuais não capturam.

O que o ponto cego da IA nos diz sobre a matéria escura e a energia escura

Se a constante cosmológica fosse a explicação correta, uma IA bem treinada deveria ter sido capaz de deduzi-la como o ajuste de parâmetro mais simples. O fato de não o ter feito sugere que o verdadeiro motor da aceleração está mais intrinsecamente ligado ao crescimento da estrutura. Uma interpretação é que a energia escura não é uma constante, mas um campo dinâmico — algo como a quintessência — que muda com o tempo e potencialmente interage com a matéria escura. Outra possibilidade, mais radical, é que nossa compreensão da própria gravidade esteja incompleta em distâncias cósmicas, e que a dinâmica newtoniana modificada ou uma variante da gravidade emergente devam substituir a relatividade geral nas maiores escalas.

A falha do CosmoGraph é particularmente aguda quando tenta conciliar o histórico de expansão do universo primitivo, impresso na radiação cósmica de fundo, com a aceleração tardia. Esta é a tensão de Hubble sob um novo disfarce: a IA, treinada com dados do universo primitivo e intermediário, prefere consistentemente uma constante de Hubble inferior à medida localmente. A “opinião” da máquina sublinha o que muitos observadores suspeitavam — a discrepância não é um erro de medição, mas um sintoma de uma fenda física mais profunda.

Por que um ponto cego da IA é um problema humano

Apesar de todo o seu poder, o CosmoGraph é uma caixa-preta. A equipe pode ver onde ele falha, mas não por que em termos de física intuitiva. O modelo não gera uma equação organizada; ele gera uma previsão. Essa opacidade gerou um debate na comunidade física sobre o papel da IA como ferramenta de descoberta. Por um lado, o sucesso do modelo em escalas menores valida o uso de aprendizado de máquina para buscar nova física; por outro, sua cegueira em relação à aceleração em larga escala arrisca reforçar vieses teóricos existentes. Se os dados de treinamento forem dominados por regimes onde a energia escura é um ator secundário, a IA nunca aprenderá a procurá-la.

“O aprendizado de máquina amplifica os preconceitos em seu conjunto de dados”, explica Sebastian Huber, físico teórico da ETH Zurich que não esteve envolvido no estudo. “Se você treiná-lo para ser um bom mecanismo de interpolação, ele será exatamente isso — um mecanismo de interpolação. A física interessante está, muitas vezes, na extrapolação, e lá você precisa de teoria.”

Essa limitação não é exclusiva da cosmologia. Em toda a astrofísica e física de partículas, modelos de IA estão sendo implantados para analisar petabytes de dados, sinalizando anomalias que podem indicar novos fenômenos. No entanto, as técnicas estatísticas que os tornam sensíveis a sinais tênues também os tornam extremamente sensíveis a artefatos instrumentais e premissas de modelagem. O ponto cego que o CosmoGraph revelou pode, ironicamente, ser uma característica — um indicador robusto de que nossas equações atuais não podem ser a história completa — mas extrair essa conclusão de uma rede neural requer camadas de raciocínio humano que a máquina ainda não consegue fornecer.

O Euclid da Europa e o futuro da cartografia cósmica

O trabalho do grupo de Heidelberg depende fortemente de dados da missão Euclid da ESA, o telescópio de universo escuro da Agência Espacial Europeia de 1,4 bilhão de euros. O Euclid está gerando o mapa tridimensional mais preciso do cosmos já feito, medindo as formas e distâncias de bilhões de galáxias para rastrear como a energia escura moldou o universo ao longo do tempo cósmico. A missão é uma joia da ciência espacial europeia, mas seu pipeline de dados é tanto uma oportunidade quanto um risco para a descoberta impulsionada por IA.

Existe também uma tensão de financiamento. O programa Horizon Europe investiu recursos significativos em IA e ciência de dados para a física fundamental, mas o resultado do CosmoGraph sugere que abordagens puramente baseadas em dados dificilmente entregarão a tão esperada descoberta sobre a energia escura. O trabalho mais mundano de refinar orçamentos de erros sistemáticos e construir simulações mais realistas pode ser menos chamativo, mas é a base sobre a qual qualquer descoberta de IA deve repousar.

A equipe de Heidelberg planeja executar seu modelo novamente com conjuntos de treinamento expandidos que injetam artificialmente cenários de aceleração em larga escala, basicamente ensinando à IA o que esperar. Essa é uma inversão estranha: em vez de deixar os dados falarem, eles estão dando à máquina uma prescrição teórica. É o tipo de compromisso metodológico que faria um empirista da velha guarda estremecer. Mas também pode ser a maneira mais rápida de descobrir se a lacuna no modelo padrão é uma rachadura em nossas teorias ou apenas um espelho de nossa própria ignorância.

Fontes

• CLUSTER STRUCTURES da Universidade de Heidelberg (apresentação de pesquisa e pré-impressão)
• Divulgações de dados e documentação técnica do Consórcio Euclid da ESA
• Nature Astronomy (artigo futuro sobre restrições cosmológicas derivadas de IA)