Kennis over ons heelal groeit sneller dan ooit – met dank aan AI

De fameuze eerste foto van een zwart gat is sinds kort twee keer zo scherp te bewonderen.

Een onderzoeksteam heeft namelijk met artificiële intelligentie (AI) de helderheid van het eerste beeld uit 2019 gigantisch kunnen verbeteren zodat het zwarte gat, in het centrum van het M87-sterrenstelsel, donkerder en groter oogt dan op die eerste foto.
 
Ik ben een astronoom en ik bestudeer en publiceer over kosmologie, zwarte gaten en exoplaneten (planeten die draaien om een andere ster dan de Zon, IPS). Sterrenkundigen gebruiken al decennia lang AI. Zo waren astronomen van de Universiteit van Arizona, waar ikzelf ook werk als professor, al in 1990 bij de eersten om het type van AI dat we neuraal netwerk noemen, te gebruiken voor onderzoek naar de vorm van sterrenstelsels.

Sindsdien is AI overal aanwezig binnen het domein van de astronomie. En nu de technologie nog meer op punt staat, hebben AI-algoritmes geholpen bij de verwerking van enorme hoeveelheden data waarover astronomen soms beschikken. Zo wordt er in snel tempo nieuwe kennis over het heelal beschikbaar.

Betere telescopen, meer data

Astronomie of sterrenkunde is een wetenschap die sinds het begin van haar bestaan al heeft geprobeerd om te verklaren waarom er talloze objecten ’s nachts oplichten aan de hemel. Dat was relatief eenvoudig en beheersbaar op een moment dat we hiervoor enkel het blote oog en de eerste telescopen ter beschikking hadden. Op die manier konden we slechts een paar duizend sterren en een handvol planeten waarnemen.

Maar honderd jaar geleden gebruikte Amerikaans astronoom Edwin Hubble gloednieuw gebouwde telescopen en toonde daarmee aan dat het universum niet enkel bestaat uit sterren en gaswolken; het is samengesteld uit ontelbaar veel sterrenstelsels. Telescopen werden steeds performanter en dat leidde ertoe dat nog meer hemelobjecten zichtbaar werden voor de mens, en ook de te verwerken data over het heelal exponentieel groeiden.

Zo zal bijvoorbeeld de Vera Rubin-sterrenwacht in Chili – die in de laatste steigers staat- binnenkort beelden kunnen maken die zo groot zijn dat er 1500 high-definition TV-schermen nodig zouden zijn om ze in hun geheel te bekijken. Naar verwachting zal deze nieuwe sterrenwacht binnen tien jaar 0,5 exabytes aan gegevens genereren - ongeveer 50.000 keer de hoeveelheid informatie die alle boeken van de Library of Congress tellen.

Twintig spiegeltelescopen met spiegels van 6 meter diameter zijn hiervoor ter beschikking, maar het zijn de AI-algoritmes die astronomen zullen bijstaan om die gigantische hoeveelheden aan informatie te kunnen verwerken. En er zijn verschillende manieren waarop AI al heeft bewezen dat het deze taak tot een goed einde kan brengen.

Patronen zoeken

Astronomie kan je soms vergelijken met het zoeken van een naald in een hooiberg.

Ongeveer 99 procent van de pixels in een astronomische foto zijn achtergrondstraling, licht van andere bronnen of de zwartheid van de ruimte - slechts 1 procent geven de subtiele vormen weer van zwakke sterrenstelsels.

AI-algoritmes – in het bijzonder de neurale netwerken die onderling verbonden knooppunten gebruiken en in staat zijn om patronen te herkennen - zijn perfect geschikt om patronen in sterrenstelsels te achterhalen. Astronomen zetten sinds 2010 neurale netwerken in om sterrenstelsels te classificeren. Nu zijn de algoritmen zo effectief dat ze sterrenstelsels kunnen classificeren met een nauwkeurigheid van 98 procent.

En ook in andere domeinen van de astronomie werd AI al ingezet. Bijvoorbeeld door astronomen die voor SETI (centrum voor de Zoektocht naar Buitenaardse Intelligentie) werken en radiotelescopen gebruiken in hun zoektocht naar signalen van buitenaardse beschavingen.

Vroeger scanden radioastronomen kaarten met het blote oog, op zoek naar afwijkingen die niet meteen konden worden verklaard. Iets later gebruikten onderzoekers de vaardigheden van 150.000 personal computers en 1,8 miljoen burgerwetenschappers om kunstmatige radiosignalen te onderscheppen. Vandaag gebruiken onderzoekers AI en kunnen zo veel sneller en veel grondiger dan mensen dat ooit zullen kunnen, door grote hoeveelheden gegevens gaan. Dit heeft SETI onder meer in staat gesteld breder te gaan zoeken en tegelijkertijd het aantal vals-positieve signalen sterk te verminderen.

Een ander voorbeeld is de zoektocht naar exoplaneten. Astronomen ontdekten de meeste van de 5300 bekende exoplaneten door de meting van een dip in de hoeveelheid licht van een ster, telkens een planeet ervoor passeert. AI-tools kunnen nu met 96 procent nauwkeurigheid de signalen van een exoplaneet herkennen.

Nieuwe ontdekkingen

AI heeft bewezen uitmuntend te zijn in het identificeren van bekende objecten - zoals sterrenstelsels of exoplaneten - die astronomen zoeken om in kaart te brengen. Maar de technologie blijkt ook extreem krachtig om objecten of fenomenen te vinden waarvoor al theoretisch bewijs was, maar die nog niet in de echte wereld werden waargenomen.

Wetenschappers hebben hiermee nieuwe exoplaneten kunnen opsporen, zijn meer te weten gekomen over reeds uitgedoofde sterren en de vorming en groei van de Melkweg, en kunnen nieuwe soorten zwaartekrachtgolven beter voorspellen. Hiervoor gebruiken astronomen eerst AI en vervolgens machinaal leren om het vermogen van AI nog aan te scherpen en de voorspelde verschijnselen te detecteren.

Ten slotte hebben radioastronomen ook AI-algoritmes gebruikt om signalen te analyseren die niet overeenkomen met bekende fenomenen. Onlangs vond een team uit Zuid-Afrika een uniek object dat mogelijk een overblijfsel is van de explosieve samensmelting van twee enorme zwarte gaten. Als dit blijkt te kloppen, zullen de gegevens een nieuwe test van de algemene relativiteit - Albert Einsteins beschrijving van de ruimte-tijd - mogelijk maken.

Voorspellen en gaten dichten

Zoals recent in bijna alle domeinen van het leven, veroorzaken generatieve AI en grote taalmodellen zoals ChatGPT ook deining in de wereld van de astronomie.

Het team dat in 2019 het eerste beeld van een zwart gat maakte, gebruikte een generatieve AI om het nieuwe beeld te produceren. Daartoe werd AI eerst geleerd hoe het zwarte gaten kan herkennen door het systeem te voeden met simulaties van vele soorten zwarte gaten. Vervolgens gebruikte het team het daartoe gebouwde AI-model om de hiaten op te vullen in de enorme hoeveelheid gegevens die radiotelescopen over het zwarte gat M87 hadden verzameld.

Met behulp van deze gesimuleerde gegevens kon het team een nieuw beeld creëren dat twee keer scherper is dan het origineel en volledig overeenkomt met de voorspellingen van de algemene relativiteit.

Maar astronomen wenden zich bijvoorbeeld ook tot AI om de complexiteit van het moderne onderzoek te helpen bedwingen. Een team van het Harvard-Smithsonian Center for Astrophysics creëerde het taalmodel astroBERT om 15 miljoen wetenschappelijke artikelen over astronomie te lezen en te ordenen. Een ander team, van de NASA, heeft zelfs voorgesteld om AI te gebruiken om prioriteiten te stellen voor astronomische projecten.

Hoe meer AI evolueert, hoe meer het een essentieel hulpmiddel is gebleken voor astronomen. Naarmate telescopen beter worden, datasets uitgebreider worden en AI's steeds sterker presteren, zal deze technologie wellicht een centrale rol spelen bij toekomstige ontdekkingen over het heelal.

__

Dit artikel is eerder verschenen bij IPS-partner The Conversation