Komt de volgende ontdekking in de natuurkunde van AI? Hoe kunstmatige intelligentie ook de diepste werkelijkheid begint te doorgronden

In 1980, aan de Universiteit van Cambridge, vertelt fysicus Stephen Hawking tijdens een lezing over de theorie van alles, de ultieme overkoepelende natuurwet die de relativiteitstheorie, de quantumfysica en alle overige uithoeken van de natuurkunde aan elkaar zal knopen tot één fundamenteel inzicht. Voor de ontwikkeling daarvan zal de mensheid, zo oordeelt hij, in de toekomst een beetje hulp moeten krijgen van machines: ‘Het einde is niet in zicht voor de theoretische natuurkunde, maar misschien wel voor theoretisch natuurkundigen.’

Spoel de klok 44 jaar door en fysici beginnen dicht tegen dat vaak aangehaalde toekomstvisioen aan te schurken. Niet dat de ultieme theorie van alles al binnen handbereik is, overigens, die blijkt vooralsnog wat weerbarstig, maar kunstmatige intelligentie begint wel degelijk steeds beter te worden in het begrijpen van natuurkunde.

‘Ik heb ChatGPT4 mijn natuurkundetentamens voor bachelorstudenten laten maken’, zegt Sascha Caron, onderzoeker op het gebied van hoge-energiefysica aan de Radboud Universiteit en mede-organisator van EuCAIFCon 2024, een grote internationale conferentie in Amsterdam waar natuurkundigen vorige week de laatste toepassingen van kunstmatige intelligentie in de fysica bespraken. ‘Voor die tentamens haalt GPT nu een 8 of 9.’

Goede sparringpartner

Caron en veel van zijn collega’s zien in het chatprogramma daarom een goede sparringpartner. ‘Ik vraag het soms om formules voor me op te zoeken, of voorstellen te doen voor stukjes programmeercode’, zegt hij. Natuurlijk: AI geeft soms volstrekt betrouwbaar ogende antwoorden die bij nader inzien toch onzin blijken. ‘Maar mensen maken ook fouten’, zegt Caron. ‘Het is aan mij om alles te dubbelchecken. Of iets nu afkomstig is van een masterstudent of van een AI.’

Bij het Atlas-experiment, een van de twee grote detectoren aan de Large Hadron Collider, de deeltjesversneller in Genève, werkt men aan ‘Chatlas’, een AI die specifiek gevoed is met kennis over deeltjesfysica en databases vol informatie over het experiment. De chat-AI kan met het antwoord op een vraag een onderzoeker straks gerust een maand uitzoekwerk besparen, zo schreven de initiatiefnemers in een presentatie die ze in april gaven op het onderzoeksinstituut Cern.

Hoogleraar radioastronomie Anna Scaife (Universiteit van Manchester), daarnaast als AI-expert verbonden aan het Britse Alan Turing Institute, ziet veel toekomst in AI als hulpmiddel voor wetenschappers. Zelf werkt ze met collega’s aan zelflerende systemen die de stroom meetgegevens kunnen temmen die afkomstig is van moderne, grootschalige experimenten.

‘In de sterrenkunde is het volume van verzamelde data onvoorstelbaar groot’, zegt Scaife. Radiotelescoop Lofar, waarvan de ontvangers onder meer in Nederland staan, verzamelt bijvoorbeeld zo’n 50 petabyte per jaar. ‘En de Ska-telescoop in Zuid-Afrika en Australië gaat wanneer deze af is zelfs 600 petabyte per jaar verzamelen’, zegt ze, de hoeveelheid informatie op een stapel cd’s – zonder doosje – van 1.000 kilometer hoog, ruim tweemaal hoger dan de baan van het internationale ruimtestation ISS.

Enorme versnelling

Achter al de analysetechnieken die Scaife ontwikkelt schuilen methoden die vergelijkbaar zijn met bekende AI-programma’s als ChatGPT en Stable Diffusion. ‘Taalmodellen zoals ChatGPT zijn foundation-modellen, zelflerende systemen die bijvoorbeeld grote hoeveelheden gegevens van labels kunnen voorzien’, zegt ze. En dat is in de astronomie heel nuttig.

‘We hebben op die manier een systeem ontwikkeld dat ringvormige sterrenstelsels uit een verzameling met miljoenen foto’s van de hemel plukt. Dat heeft de eerste grote database van die stelsels opgeleverd, waarop we nu onderzoek kunnen doen. Een paar jaar geleden was zoiets absoluut onmogelijk’, zegt ze – simpelweg omdat zo’n hoeveelheid foto’s handmatig doorspitten onbegonnen werk was geweest.

Ook in de deeltjesfysica winnen foundation-modellen aan populariteit, bijvoorbeeld bij de analyse van deeltjesbotsingen. Wanneer in het binnenste van deeltjesversnellers twee deeltjes met bijna de lichtsnelheid op elkaar klappen, komen daarbij veel brokstukken – andere deeltjes – vrij. ‘In de experimenten van de LHC heb je soms wel honderdduizend sensoren staan waardoor na een botsing tienduizend deeltjes tegelijk rondvliegen’, zegt Caron.

Fysici willen dan razendsnel alle paden van die deeltjes reconstrueren. ‘Dat soort modellen draaien tientallen keren sneller dan alle analysemethoden die we gebruiken. Vijf jaar geleden was dit echt ondenkbaar.’

Terwijl de buitenwacht zich verbaast over steeds mooiere AI-plaatjes en filmpjes, zien wetenschappers als Caron en Scaife daarom een parallelle, maar niet minder indrukwekkende ontwikkeling. ‘Dit vakgebied zit in een enorme versnelling. Het aantal mensen in de sterrenkunde dat met AI werkt, het aantal publicaties over AI in astronomische vakbladen: alles neemt exponentieel toe’, zegt Scaife.

Caron droomt zelfs van AI die meer kan dan simulaties maken en dataverwerking doen. ‘Hoe wij ChatGPT nu gebruiken, als onderzoekspartner, als een soort kunstmatige muse bijna, daarin zie ik ook de voorzichtige opkomst van de kunstmatige wetenschapper’, zegt hij.

De eerste stap wil hij zetten door de natuurkundegemeenschap ervoor warm te maken samen aan grotere, meer ambitieuze AI’s te werken. ‘De bottleneck is nu toch vooral tijd en geld. Zelf werk ik vaak samen met een masterstudent of een PhD-student en met zo’n klein groepje kun je onmogelijk een natuurkundige AI ontwikkelen die zich laat vergelijken met iets als GPT4.’

Nieuwe deeltjes ontdekken

Toch boeken ook zulke ‘kleine’ projecten al indrukwekkende resultaten. Fysici proberen zelfs al nieuwe deeltjes te ontdekken met behulp van AI. Sinds het Higgsdeeltje in 2012 – waarvan het bestaan decennia eerder werd voorspeld door de onlangs overleden fysicus Peter Higgs – hebben deeltjesversnellers als de LHC geen nieuwe deeltjes meer ontdekt. Heeft de mensheid alle elementaire bouwsteentjes van de wereld om ons heen nu wel zo’n beetje gevonden, of weten we niet waar we nog moeten zoeken?

Deeltjesnatuurkundigen verbonden aan het CMS-experiment van de LHC lieten in de jacht op een antwoord een AI met volledig open blik kijken naar oude meetgegevens van hun experiment. Dat leverde nog geen nieuwe deeltjes op, maar de analyse zelf was veelbelovend, zo bleek afgelopen maart uit de voorlopige resultaten. ‘Dit was de eerste keer dat een AI naar meetgegevens keek zonder dat fysici vertelden naar welke deeltjes ze op zoek moest’, stelde een van de onderzoekers op de website van Cern.

Het roept de vraag op of AI straks nog wel mensen nodig heeft om nieuwe inzichten te vergaren. In 2019 ontdekte een computer al eens zelfstandig dat de aarde om de zon draait. Het was de eerste keer dat AI in de buurt begon te komen van Hawkings 44 jaar oude voorspelling.

Hetzelfde jaar gebruikten fysici honderd vergelijkingen afkomstig uit de beroemde Feynman Lectures of Physics, een soort basiscursus natuurkunde op universitair niveau om gegevens te produceren. Vervolgens voerden ze die gegevens aan een AI, die prompt alle honderd vergelijkingen wist te reconstrueren, zo schreef men destijds in het vakblad Science Advances.

‘Dat was allemaal nog heel rudimentair’, zegt Caron. Het ging immers om relatief eenvoudige natuurkunde, natuurwetten die fysici als Kepler en Newton zo’n vierhonderd jaar geleden al ontdekten. ‘Totaal niet te vergelijken met de complexiteit van wat bijvoorbeeld Higgs deed’, zegt Caron. ‘Maar ik denk wél dat we daar uiteindelijk zullen komen.’

Sinds 2019 zijn de ontwikkelingen snel gegaan. Kunstmatige intelligenties leidden onder meer de massa’s van zwarte gaten af uit meetgegevens van zwaartekrachtgolven en beschreven meer dan een miljard holten in de kosmos, gebieden met vrijwel geen sterrenstelsels, die samen een volume beslaan groter dan het zichtbare deel van het universum.

AI’s simuleerden complexe deeltjesbotsingen en deden verse berekeningen binnen hoogspecialistische natuurkundegebieden zoals de quantumchromodynamica, de theorie die beschrijft hoe quarks – de kleinst bekende bouwsteentjes van alle materie om ons heen – samenklonteren tot grotere deeltjes zoals protonen.

Zelfs het gedrag van de nog onbegrepen donkere materie – spul dat astronomen alleen indirect kunnen zien omdat het met zwaartekracht aan ‘gewone’ materie trekt, maar dat verder volstrekt onzichtbaar is – laat zich tegenwoordig onderwerpen aan simulaties door kunstmatige intelligenties.

Nieuwe taal leren

Logisch dus dat ChatGPT-bedenker OpenAI hardop nadenkt over de volgende stap: het ontwikkelen van een kunstbrein dat in staat is om zelfstandig wetenschappelijke ontdekkingen te doen, zegt Caron. En dat bedrijf is niet de enige. Zo kondigde een internationaal team van academisch onderzoekers vorig jaar de start aan van Polymathic AI, een ‘multidisciplinair’ programma dat kennis van verschillende vakgebieden aan elkaar moet knopen, van sterrenkunde tot klimaatwetenschap. Op die manier zou het systeem gemakkelijker de werkelijkheid moeten kunnen doorgronden, ‘vergelijkbaar met de manier waarop het gemakkelijker is een nieuwe taal te leren wanneer je al vijf talen kent’, stelden de betrokken onderzoekers in een persbericht.

‘Wetenschappelijke AI leert steeds beter data te verwerken en simulaties te draaien’, zegt Caron. De volgende stap is die simulaties gebruiken om nieuwe theorieën te ontwikkelen. ‘En die theorieën kun je daarna weer testen in experimenten waarvan AI de resultaten kan interpreteren’, zegt hij. Knoop dat allemaal aan elkaar en je hebt geen mens meer nodig om nieuwe inzichten te verwerven in de diepste werking van de natuur. Al is het volgens Caron waarschijnlijker dat menselijke fysici in de toekomst juist sámen met AI jacht maken op het diepst mogelijke kennisniveau over de werkelijkheid.

‘Voorspellingen doen is altijd gevaarlijk, dus ik moet oppassen, want ik ben op dit onderwerp een optimist’, zegt hij. ‘Maar het zou me niet verbazen als we de komende vijf tot tien jaar de eerste natuurkunde-ontdekkingen zien die niet gedaan zijn door mensen, maar geautomatiseerd door computers.’ Daarbij zullen mensen zulke AI-bevindingen wel altijd moeten verifiëren en interpreteren.

Hoeft het comité van de Nobelprijs straks alleen nog te bedenken wie bij echt baanbrekende vondsten van kunstbreinen die felbegeerde Nobelmedaille en de bijbehorende eeuwige roem in ontvangst mag nemen: de mens achter de machine, of toch maar die machine zelf?