Generative AI for Validating Physics Laws

In het uitgestrekte landschap van de moderne wetenschap worden onderzoekers vaak geconfronteerd met een vraag die bedrieglijk eenvoudig lijkt, maar ongelooflijk moeilijk te beantwoorden is: hoe verandert een specifieke actie de uitkomst voor verschillende mensen of dingen? Dit is de kern van causale inferentie, een vakgebied dat gewijd is aan het begrijpen van oorzaak en gevolg. Stel je een arts voor die probeert te bepalen of een nieuw medicijn beter werkt voor jonge patiënten dan voor oudere patiënten, of een econoom die zich afvraagt of een belastingverlaging de economie meer stimuleert in steden dan in landelijke gebieden. De uitdaging is dat we in de echte wereld zelden perfecte experimenten kunnen uitvoeren waarbij alles identiek is, behalve het ene ding dat we testen. In plaats daarvan moeten we kijken naar rommelige, observationele data waarbij veel factoren tegelijkertijd veranderen. Om dit begrijpelijk te maken, hebben wetenschappers geavanceerde instrumenten ontwikkeld om te schatten wat men "heterogene behandelingseffecten" noemt. Deze term betekent simpelweg het meten van hoe een oorzaak, zoals een medicijn of een beleid, verschillende resultaten produceert voor verschillende individuen op basis van hun unieke kenmerken. Decennialang was het doel om het gemiddelde effect te vinden, maar de meest interessante inzichten liggen vaak in de details van hoe dat effect varieert binnen een populatie.

Een team van onderzoekers heeft nu een nieuwe methode voorgesteld om dit probleem aan te pakken, een methode die verder gaat dan alleen het vinden van een gemiddelde en in plaats daarvan het hele landschap van mogelijke uitkomsten in kaart brengt. Ze noemen hun aanpak een "generatieve leerder", een type kunstmatige intelligentie die is ontworpen om de verborgen regels te leren die bepalen hoe data wordt gegenereerd. In tegen tegenstelling tot oudere methoden die moeite kunnen hebben wanneer de data complex is of wanneer er slechts enkele voorbeelden zijn om te bestuderen, is dit nieuwe systeem gebouwd om de volledige distributie van effecten te verwerken. Het vertelt ons niet alleen dat een behandeling werkt; het onthult hoe de kracht van die behandeling verschuift afhankelijk van de specifieke eigenschappen van het onderwerp, zoals hun grootte, leeftijd of achtergrond. Door een neuraal netwerk — een computersysteem dat gemodelleerd is naar het menselijk brein — te trainen om deze patronen direct uit de data te leren, hebben de onderzoekers een hulpmiddel gecreëerd dat zowel flexibel als nauwkeurig is.

De onderzoekers hebben hun nieuwe systeem getest tegenover verschillende gevestigde methoden die momenteel als de gouden standaard in het veld worden beschouwd. Ze voerden honderden computersimulaties uit waarbij ze de exacte waarheid vooraf kenden, waardoor ze konden zien hoe goed elke methode het juiste antwoord kon terugvinden. In deze tests presteerde de nieuwe generatieve leerder consequent beter dan zijn rivalen. Wanneer de data eenvoudige, rechte lijnrelaties bevatten, was de nieuwe methode al nauwkeuriger, maar het verschil werd spectaculair wanneer de relaties complex en gebogen waren. In deze moeilijke scenario's verminderde het nieuwe systeem zijn fouten met meer dan zeventig procent vergeleken met sommige van de beste bestaande technieken. Dit voordeel was bijzonder duidelijk wanneer de hoeveelheid data klein was, een situatie waarin andere methoden vaak struikelen. De onderzoekers vonden dat hun aanpak vooral goed was in het vastleggen van de volledige vorm van de resultaten, en niet alleen het middengebied, waardoor ze de zeldzame, extreme gevallen konden zien die andere modellen wellicht zouden missen.

Om te bewijzen dat deze methode in de echte wereld werkt, pasten de onderzoekers het toe op een klassiek probleem in de astrofysica: de wet van Stefan-Boltzmann. Deze natuurkundige wet beschrijft hoe de helderheid van een ster wordt bepaald door de temperatuur ervan. Specifiek stelt de wet dat de totale energie die een ster uitstraalt evenredig is aan de vierde macht van de temperatuur, wat betekent dat zelfs een kleine toename in hitte leidt tot een enorme toename in helderheid. De onderzoekers behandelden de oppervlaktetemperatuur van een ster als de "behandeling" en de helderheid als de "uitkomst". Met behulp van data van de Gaia-missie, die meer dan een miljard sterren heeft in kaart gebracht, richtten zij zich op een specifieke groep sterren om te zien of hun nieuwe methode deze beroemde natuurkundige relatie uitsluitend uit observationele data kon terugvinden.

De resultaten waren opmerkelijk. De generatieve leerder identificeerde succesvol de verwachte niet-lineaire relatie, waarmee werd bevestigd dat naarmate een ster heter wordt, de helderheid met een versnellende snelheid toeneemt. Maar de methode ging verder dan enkel het bevestigen van de wet; het onthulde ook hoe dit effect verandert op basis van de grootte van de ster en de intrinsieke helderheid ervan. De analyse toonde aan dat de impact van temperatuur op helderheid sterker wordt naarmate de straal van de ster groter is, een bevinding die perfect overeenkomt met de theoretische voorspelling dat helderheid afhangt van het kwadraat van de straal. Bovendien toonde de methode aan dat de relatie anders werkt voor sterren met verschillende absolute magnituden, wat aangeeft dat intrinsiek helderdere sterren gevoeliger zijn voor temperatuurveranderingen dan dimmere sterren. Door dit nieuwe hulpmiddel toe te passen op echte stellaire data, hebben de onderzoekers aangetoond dat hun aanpak niet alleen bekende natuurwetten kan valideren, maar ook de genuanceerde manieren kan blootleggen waarop die wetten zich afspelen binnen een diverse populatie objecten.

Het succes van dit werk suggereert dat de manier waarop het nieuwe systeem is opgebouwd, het een duidelijk voordeel geeft. De onderzoekers hebben het neurale netwerk zo ontworpen dat het het probleem opdeelt in drie verbonden delen: één deel leert de basisuitkomst, een ander leert de waarschijnlijkheid van de behandeling, en een derde leert het specifieke effect van de behandeling. Cruciaal is dat deze delen samen worden getraind, waardoor ze informatie kunnen delen en elkaars voorspellingen kunnen verfijnen. Het systeem gebruikt ook een wiskundige techniek die naar het volledige bereik van mogelijke uitkomsten kijkt, van de laagste tot de hoogste, in plaats van zich alleen op het gemiddelde te richten. Dit stelt het systeem in staat om het volledige verhaal te vatten van hoe een oorzaak een populatie beïnvloedt, inclusief de uitschieters en de extremen. Hoewel de methode is getest op simulaties en een specifieke set stergegevens, geloven de onderzoekers dat het vermogen om complexe, hoog-dimensionale data te verwerken het een krachtig hulpmiddel maakt voor vele andere gebieden, van gepersonaliseerde geneeskunde tot economisch beleid, waar het begrijpen van de unieke impact van een interventie op verschillende individuen essentieel is.