Heidelbergs AI avkodade kosmos – varför den slutade fungera är den verkliga historien

Dataplotten som fick ett forskarteam i Heidelberg att stanna upp var inte en upptäckt — det var avsaknaden av en. En kall morgon i december 2025, vid Institutet för teoretisk fysik, hade en maskininlärningsmodell tränad på miljarder datapunkter från kosmiska undersökningar precis avslutat sin körning. Den hade framgångsrikt återskapat de ekvationer som styr universums storskaliga struktur och korrekt förutsagt galaxfördelningar och det kosmiska nätet utifrån Big Bangs initialförhållanden. Sedan, vid skalor över några hundra megaparsec, dök dess förutsägelser rakt ner i ett stup. Universums expansionshastighet, den som borde drivas av mörk energi, återskapades helt enkelt inte. En artificiell intelligens som, i viss mening, har avkodat hur universum fungerar hade precis avslöjat ett gapande hål i den standardkosmologiska modellen.

En AI som avkodade hur universum fungerar — tills den inte gjorde det

Processen var inte trivial. AI-arkitekturen inkorporerade symmetrier som är kända för att begränsa fysiska lagar, såsom rotations- och translationsinvarians, vilket tvingade nätverket att lära sig från data på ett sätt som respekterar rumtidens geometri. När gruppen matade in verkliga observationer från ESA:s rymdteleskop Euclid och Dark Energy Survey, kunde CosmoGraph förutsäga var galaxer borde befinna sig med 99,7 % noggrannhet — tills den inte kunde det längre.

”Vi förväntade oss viss avvikelse vid de allra största skalorna på grund av kosmisk varians”, sade Voss, ”men modellen underskattade systematiskt klustringsamplituden och missade helt accelerationen i det sena universumet. Det var som om universum, i sin mest storslagna form, lydde en annan uppsättning regler.”

Ett gap där mörk energi borde finnas

Fysiker har länge vetat att den kosmologiska konstanten är en platshållare, en parameter så fint avstämd att många teoretiker betraktar den som onaturlig. Vad CosmoGraph avslöjade är att ett system som enbart optimerats för att fånga upp den gravitationsmässiga dynamiken hos materia — mörk och synlig — helt enkelt inte ser behovet av en konstant repulsiv kraft. Accelerationen uppstår endast när träningsdatan tvingas inkludera storskaliga observationer, vilket sedan korrumperar modellens anpassning på mindre skalor. Detta är ett kännetecken på en saknad ingrediens: någonting i kosmos som kopplar samman skaldependent strukturbildning med expansionshastigheten på ett sätt som våra nuvarande teorier inte fångar.

Vad AI-blinda fläcken berättar för oss om mörk materia och mörk energi

Om den kosmologiska konstanten vore den korrekta förklaringen borde en vältränad AI ha kunnat härleda den som den enklaste parameterjusteringen. Att den inte gjorde det tyder på att den verkliga drivkraften bakom accelerationen är mer invecklat kopplad till strukturtillväxt. En tolkning är att mörk energi inte är en konstant utan ett dynamiskt fält — något i stil med kvintessens — som förändras över tid och potentiellt interagerar med mörk materia. En annan, mer radikal, möjlighet är att vår förståelse av själva gravitationen är ofullständig på kosmiska avstånd, och att modifierad newtonsk dynamik eller en variant av emergent gravitation borde ersätta den allmänna relativitetsteorin på de största skalorna.

CosmoGraphs misslyckande är särskilt tydligt när den försöker förena det tidiga universums expansionshistoria, som finns inpräntad i den kosmiska bakgrundsstrålningen, med den sena accelerationen. Detta är Hubble-spänningen i en ny skepnad: AI:n, tränad på data från det tidiga och mellersta universumet, föredrar konsekvent en Hubble-konstant som är lägre än vad som mäts lokalt. Maskinens ”åsikt” understryker vad många observatörer har misstänkt — diskrepansen är inte ett mätfel utan ett symptom på en djupare fysikalisk klyfta.

Varför en AI-blind fläck är ett mänskligt problem

Trots all sin kraft är CosmoGraph en svart låda. Teamet kan se var den misslyckas, men inte varför i termer av intuitiv fysik. Modellen genererar inte en prydlig ekvation; den genererar en förutsägelse. Denna opacitet har väckt en debatt inom fysikersamfundet om AI:ns roll som upptäcktsverktyg. Å ena sidan validerar modellens framgångar på mindre skalor användningen av maskininlärning för att söka efter ny fysik; å andra sidan riskerar dess blindhet för storskalig acceleration att förstärka befintliga teoretiska fördomar. Om träningsdatan domineras av regimer där mörk energi är en mindre aktör kommer AI:n aldrig att lära sig att leta efter den.

”Maskininlärning förstärker fördomarna i ditt dataset”, förklarar Sebastian Huber, en teoretisk fysiker vid ETH Zürich som inte var involverad i studien. ”Om du tränar den till att bli en bra interpolationsmotor kommer den att vara exakt det — en interpolationsmotor. Den intressanta fysiken ligger ofta i extrapoleringen, och där behöver man teori.”

Denna begränsning är inte unik för kosmologi. Inom astrofysik och partikelfysik används AI-modeller för att sålla igenom petabytes av data och flagga anomalier som kan signalera nya fenomen. Men de statistiska tekniker som gör dem känsliga för svaga signaler gör dem också extremt känsliga för instrumentella artefakter och modelleringsantaganden. Den blinda fläck som CosmoGraph avslöjade kan ironiskt nog vara en funktion — en robust indikator på att våra nuvarande ekvationer inte kan vara hela historien — men att utvinna den slutsatsen från ett neuralt nätverk kräver lager av mänskligt resonemang som maskinen ännu inte kan tillhandahålla.

Europas Euclid och framtidens kosmiska kartläggning

Heidelberg-gruppens arbete förlitar sig i hög grad på data från ESA:s uppdrag Euclid, Europeiska rymdorganisationens mörka universum-teleskop värt 1,4 miljarder euro. Euclid genererar den mest exakta tredimensionella kartan över kosmos som någonsin skapats, genom att mäta former och avstånd hos miljarder galaxer för att spåra hur mörk energi har format universum över kosmisk tid. Uppdraget är en juvel inom europeisk rymdforskning, men dess datapipeline är både en möjlighet och en risk för AI-driven upptäckt.

Det finns också en finansieringsspänning. Programmet Horizon Europe har satsat betydande resurser på AI och datavetenskap för fundamental fysik, men CosmoGraph-resultatet antyder att rent datadrivna metoder sannolikt inte kommer att leverera det efterlängtade genombrottet gällande mörk energi. Det mer vardagliga arbetet med att förfina systematiska felmarginaler och bygga mer realistiska simuleringar kanske inte är lika flashigt, men det är den grundval som varje AI-upptäckt måste vila på.

Heidelberg-teamet planerar att köra sin modell igen med utökade träningsset som artificiellt injicerar storskaliga accelerationsscenarier, och i princip lära AI:n vad den ska förvänta sig. Det är en märklig inversion: istället för att låta datan tala ger de maskinen en teoretisk föreskrift. Det är den sortens metodologiska kompromiss som skulle få en gammaldags empiriker att rygga tillbaka. Men det kan också vara det snabbaste sättet att ta reda på om gapet i standardmodellen är en spricka i våra teorier eller bara en spegling av vår egen okunskap.

Källor

• Heidelberg University STRUCTURES Cluster (forskningspresentation och preprint)
• ESA Euclid Consortium datarelase och teknisk dokumentation
• Nature Astronomy (kommande artikel om AI-härledda kosmologiska begränsningar)