Dunkle Energie und Algorithmen: Wie die KI die Geheimnisse des Universums entschlüsselt

95 % unseres Universums ist unsichtbar, beherrscht von der Gravitation der Materie und der dunklen Energie. Jahrzehntelang haben Astrophysiker versucht, deren N

Wenn wir den Blick zum Nachthimmel erheben, sehen wir nur einen unendlich kleinen Bruchteil der Realität. Die moderne Astrophysik lehrt uns, dass etwa 68 % des Universums aus einer mysteriösen Kraft bestehen, die seine Expansion beschleunigt, der sogenannten Dunklen Energie, während weitere 27 % aus unsichtbarer Dunkler Materie bestehen. Nur die restlichen mageren 5 % bilden die Sterne, die Planeten und uns selbst. Diese 95 % „unsichtbaren“ Universums zu kartieren und zu verstehen, ist die größte Herausforderung der modernen Kosmologie.

Bis gestern verließen sich Wissenschaftler beim Versuch, das Wesen der Dunklen Energie zu entschlüsseln, auf komplexe, aber starre statistische Gleichungen, die von Menschen entwickelt wurden. Heute revolutioniert eine neue Linse die Astrophysik: die Künstliche Intelligenz. Doch wie wir in dieser vertieften Analyse für Scenari e Riflessioni untersuchen werden, „löst“ das maschinelle Lernen das Rätsel nicht magisch, indem es die fundamentale Physik ersetzt; vielmehr ermöglicht es Wissenschaftlern, nichtlineare Informationen zu extrahieren und zu lesen, die die Karten des Universums bereits enthielten, die unsere alten mathematischen Werkzeuge aber nicht entschlüsseln konnten.

1. Die Grenzen menschlicher Statistik und das nicht-gaußsche Universum

Um die Auswirkungen der Künstlichen Intelligenz zu verstehen, müssen wir zunächst verstehen, wie Astrophysiker bisher gearbeitet haben. Wenn große Teleskope Fotos des tiefen Kosmos aufnehmen, kartieren sie die Verteilung der Galaxien (das Galaxien-Clustering) und messen, wie das Licht entfernter Galaxien durch die Gravitation der dazwischenliegenden Dunklen Materie verzerrt wird (das Weak Lensing, also die schwache Gravitationslinsenwirkung).

Um aus diesen immensen visuellen Karten kosmologische Schlussfolgerungen zu ziehen, haben Physiker historisch die klassische statistische Analyse verwendet, die fast vollständig auf Zwei-Punkt-Korrelationsfunktionen basiert. Einfach ausgedrückt misst diese Statistik die Wahrscheinlichkeit, zwei Galaxien in einem bestimmten Abstand zueinander zu finden. Obwohl diese Methode jahrzehntelang das Rückgrat der Kosmologie war, hat sie eine dramatische strukturelle Grenze: Sie ist perfekt geeignet, um ein ursprüngliches, homogenes Universum zu analysieren (in mathematischen Begriffen ein „gaußsches“ Feld), versagt aber bei der Erfassung der Komplexität des heutigen Universums.

Das heutige Universum ist zutiefst „nicht-gaußsch“: Es ist ein komplexes kosmisches Netz aus immensen Leerräumen und dichten Materieansammlungen. Die vom Menschen entworfenen klassischen Statistiken lassen eine enorme Menge an Informationen entgehen, die in Strukturen mit drei, vier oder mehr Punkten verborgen sind. Wie Forscher in einer kürzlich auf arXiv veröffentlichten explorativen Arbeit (Machine Learning Uncovers New Cosmological Information) betonen, überwindet der datengetriebene Ansatz des Deep Learning diese menschlichen Grenzen, indem es gelingt, die gesamte topologische Komplexität des kosmischen Netzes zu verarbeiten, ohne strukturelle Daten zu verwerfen.

2. Simulationsbasierte Inferenz: Verdopplung der kosmologischen Präzision

Die eigentliche methodologische Revolution nennt sich Simulation-Based Inference (SBI). Ein eindrucksvolles Beispiel für diesen Ansatz lieferten die Ergebnisse des Dark Energy Survey (DES), eines internationalen Projekts, das Hunderte Millionen Galaxien kartiert hat, um die letzten sieben Milliarden Jahre kosmischer Geschichte zu rekonstruieren.

In einer bahnbrechenden Studie des University College London (UCL) haben Forscher die Zwei-Punkt-Statistiken zugunsten tiefer neuronaler Netze verworfen. Das Ergebnis war verblüffend: Die Genauigkeit bei der Schätzung der Schlüsselparameter des Universums, einschließlich der Dichte der Dunklen Energie, hat sich im Vergleich zu konventionellen Methoden buchstäblich verdoppelt. Auch die ETH Zürich dokumentierte ähnliche Erfolge und zeigte, dass das Training auf Karten der Dunklen Materie mittels Künstlicher Intelligenz Parameterschätzungen liefert, die etwa 30 % genauer sind als in der Vergangenheit.

Aber wie funktioniert SBI? Anstatt eine feste mathematische Formel zur Interpretation der realen Daten zu verwenden, erzeugen Astrophysiker Millionen simulierte Universen (sogenannte Mocks), wobei sie jedes Mal die grundlegenden kosmologischen Parameter variieren (mehr oder weniger Dunkle Energie, mehr oder weniger Gravitation). Anschließend komprimieren komplexe graphische neuronale Netze, die auf sphärischen Geometrien operieren, diese hochdimensionalen Karten in optimale statistische „Zusammenfassungen“ (Summary Statistics). Schließlich vergleichen fortschrittliche Algorithmen, sogenannte Normalizing Flows, die vom Teleskop beobachteten Daten mit diesem riesigen Archiv von Simulationen und schätzen die impliziten Wahrscheinlichkeiten in einem 10-dimensionalen kosmologischen Raum. Der Algorithmus lernt von selbst, welche visuellen Muster einem bestimmten Prozentsatz an Dunkler Energie entsprechen.

3. Klassifikation und Kreation: Vom Clustering zu generativen Modellen

Die Verwendung des maschinellen Lernens in der Astrophysik beschränkt sich nicht auf die Extraktion von Parametern, sondern erstreckt sich in zwei faszinierende Richtungen: die Klassifikation von Modellen und die generative Simulation.

Das Standardmodell der Kosmologie (genannt ΛCDM) nimmt an, dass die Dunkle Energie eine statische kosmologische Konstante in Zeit und Raum ist. Es gibt jedoch alternative Theorien: Die Dunkle Energie könnte sich zusammenballen (Clustering Dark Energy) oder dynamisch mit der Dunklen Materie wechselwirken (Coupled Dark Energy). Eine in Monthly Notices of the RAS veröffentlichte Studie hat gezeigt, dass Convolutional Neural Networks (CNNs) darauf trainiert werden können, die schwachen visuellen Signaturen zu unterscheiden, die eine statische Dunkle Energie von einer sich zusammenballenden trennen. Parallel dazu belegen Forschungen in Astronomy & Astrophysics, dass diese Netze eine Genauigkeit zwischen 86 % und 99 % bei der Unterscheidung zwischen dem Standardmodell und Modellen gekoppelter Dunkler Energie erreichen und damit ein unvergleichliches Sieb zur Validierung physikalischer Theorien bieten.

Das Training dieser KI erfordert jedoch enorme Mengen an Ausgangsdaten (simulierte Universen). Die Durchführung traditioneller physikalischer N-Body-Simulationen zur Kartierung von Millionen von Galaxien erfordert Monate Rechenzeit auf den leistungsstärksten Supercomputern der Welt. Um diesen Engpass zu umgehen, übernimmt die Astrophysik nun generative Modelle (ähnlich denen, die synthetische Bilder oder Videos erzeugen). Wie auf INSPIRE HEP dokumentiert, kann Künstliche Intelligenz grundlegende lognormale Felder schnell in realistische Karten der großräumigen Struktur des Universums verwandeln und dabei die statistischen Eigenschaften perfekt zu einem vernachlässigbaren Rechenaufwand reproduzieren. Die KI erzeugt die fiktiven Trainingsdaten, um die KI zu trainieren, die das reale Universum erforschen wird.

4. Die Physik bleibt im Zentrum: Das Paradoxon der „Black Box“

Angesichts dieser fast magischen Leistungen besteht das redaktionelle und wissenschaftliche Risiko darin, den Algorithmus zu vermenschlichen und zu glauben, die Maschine erfinde eine „neue Physik“. Nichts könnte falscher sein. Es ist unerlässlich zu betonen, dass die auf die Astrophysik angewandte Künstliche Intelligenz streng und rigoros an die Gesetze der Allgemeinen Relativitätstheorie Einsteins gebunden ist.

Die neuronalen Modelle lernen nicht, den Kosmos zu lesen, indem sie ins Leere schauen; sie lernen, weil sie auf Simulationen (den Mocks) trainiert werden, die von Physikern kodiert wurden und in denen die bekannten thermodynamischen und gravitativen Gleichungen bereits verankert sind. Wenn ein Physiker falsche Regeln in die generative Simulation einfügt, wird die Künstliche Intelligenz im Sternenhimmel nach Bestätigungen dieser falschen Regeln suchen. Aus diesem Grund müssen die Ergebnisse der KI, wie die DES-Forscher warnen, drakonische Robustheitstests bestehen, um zu beweisen, dass sie nicht durch „Systematiken“ (instrumentelle Fehler des Teleskops oder Verzerrungen im Trainingsdatensatz) verunreinigt sind. Die KI extrahiert neuartige nichtlineare Informationen, aber die grundlegende Grammatik dieser Information ist durch menschliche Arbeit geschrieben, validiert und garantiert.

Wichtige operative Kernpunkte (Takeaways für Forschung und Data Science)

• Sich auf die Mega-Surveys vorbereiten: Bevorstehende Projekte wie das Observatorium Vera C. Rubin (LSST) und der Weltraumsatellit Euclid der ESA werden Datenlawinen produzieren, die für das menschliche Auge oder die menschliche Statistik unmöglich zu verarbeiten sind. Die Integration von Algorithmen zur Rauschunterdrückung (Denoising) und Schätzungen des photometrischen Rotverschiebung (Redshift) mittels KI (wie durch die Verwendung von Gauß-Prozessen auf DES-Daten demonstriert) ist der einzige Weg, um die Kosmologie des nächsten Jahrzehnts zu bewältigen.
• Datenkompression ist Macht: Der Hauptnutzen neuronaler Netze in der Astrophysik besteht nicht darin, binäre Antworten zu erzeugen, sondern enorme räumliche Karten mit sehr hoher Dimensionalität in dichte statistische Vektoren zu komprimieren und dabei Muster zu extrahieren, die das Auge oder die lineare Gleichung übersehen würden.
• Das Aufkommen des Astro-Informatikers: Die Physikabteilungen durchlaufen eine genetische Mutation. Die moderne Kosmologie erfordert nicht mehr nur theoretische Physiker oder beobachtende Astronomen, sondern Data Scientists, die in der Lage sind, Deep-Learning-Architekturen zu entwerfen, latente Räume zu validieren und komplexe probabilistische Inferenzmodelle zu verwalten.

Schlussfolgerungen: Wer schreibt die Geschichte des Universums?

Die Einführung der Künstlichen Intelligenz in die Erforschung der Dunklen Energie und der Dunklen Materie stellt einen tiefgreifenden Wandel des erkenntnistheoretischen Paradigmas dar. Wir delegieren die Beobachtung des Unendlichen an Maschinen, die in der Lage sind, Geometrien zu erkennen, die unsere Biologie und unsere klassische Mathematik konzeptionell nicht erfassen können.

Dennoch hinterlässt uns diese technische Revolution eine faszinierende philosophische Frage nach dem Akt der „Entdeckung“. Der Algorithmus beschränkt sich auf ein brutales mehrdimensionales Mustererkennen, das völlig frei von physikalischer Intuition ist. Aber wenn ein neuronales Netz in der Lage ist, die Fingerabdrücke der Dunklen Energie zu isolieren, indem es in einer Karte Informationen liest, die wir Menschen buchstäblich vor Augen hatten, aber nicht entschlüsseln konnten, wer entdeckt dann wirklich das Wesen unseres Universums: das Codefragment, das die Berechnung durchführt, oder der Geist des Physikers, der diesen Code darauf trainiert hat, die Dunkelheit auf die richtige Weise zu betrachten?

Bibliografische Referenzen und Quellen

• UCL – More Precise Understanding of Dark Energy Achieved Using AI. [1123, 1124]
• arXiv / DES Collaboration – Dark Energy Survey Year 3 Results: Simulation-Based wCDM Inference with Deep Learning. [1131]
• ETH Zurich – Artificial Intelligence Probes Dark Matter in the Universe. [1136]
• arXiv – Machine Learning Uncovers New Cosmological Information. [1134]
• Monthly Notices of the RAS – A Deep Learning Approach to Probe Clustering Dark Energy. [1126]
• Astronomy & Astrophysics – Distinguishing Coupled Dark Energy Models with Neural Networks. [1128]
• MNRAS – Machine Learning Analysis of Photometric Data from the Dark Energy Survey. [1129]
• INSPIRE HEP – Fast and Realistic Large-Scale Structure from Machine-Learning Generative Models. [1125]
• arXiv – Opportunities in AI/ML for the Rubin LSST Dark Energy Science. [1132]
• arXiv – Denoising Lensing with Machine Learning. [1133]

Artikel von der Redaktion von La Bussola dell’IA