OmniCosmos: Transferring Particle Physics Knowledge Across the Cosmos

Het universum is een uitgestrekte, donkere plek, gevuld met onzichtbare materie die sterrenstelsels bij elkaar houdt en een mysterieuze energie die ze uit elkaar duwt. Om te begrijpen hoe dit kosmische drama zich ontvouwt, vertrouwen wetenschappers op enorme computersimulaties die de geschiedenis van het kosmos recreëren, van de eerste momenten na de Big Bang tot de huidige dag. Deze simulaties genereren enorme hoeveelheden gegevens, die in essentie digitale universums creëren bevolkt door miljarden punten die donkere materie en sterrenstelsels vertegenwoordigen. De uitdaging voor onderzoekers is om naar deze complexe, verschuivende wolken van punten te kijken en de specifieke regels te ontrafelen die hen beheersen—zoals hoeveel materie er in het universum bestaat of hoe snel het uitdijt. Traditioneel moesten wetenschappers deze rijke informatie comprimeren tot eenvoudige samenvattingen om er grip op te krijgen, maar deze aanpak gooit veel van de details weg die tot diepere ontdekkingen zouden kunnen leiden.

Een nieuwe studie introduceert een slimme manier om dit probleem op te lossen door een hulpmiddel te lenen uit een totaal ander vakgebied van de natuurkunde. Onderzoekers hebben een krachtig kunstmatige intelligentie-model genomen, dat oorspronkelijk werd ontworpen om de chaotische sproeien van deeltjes te analyseren die ontstaan wanneer atomen met hoge snelheid botsen, en het geleerd om de structuur van het universum te begrijpen. Dit model, dat al patronen in deeltjesbotsingen had leren herkennen, werd aangepast om de "puntenwolken" van kosmologische simulaties te lezen. Het team kwam tot de conclusie dat deze geleende intelligentie kosmische eigenschappen met opmerkelijke nauwkeurigheid kon voorspellen, waarbij het vaak veel minder voorbeelden nodig had om de regels te leren dan modellen die vanaf nul zijn opgebouwd. Dit suggereert dat de wiskundige patronen die beschrijven hoe deeltjes met elkaar interageren, een diepe, verborgen gelijkenis vertonen met de manier waarop zwaartekracht het kosmos vormgeeft, waardoor kennis over de kloof tussen het zeer kleine en het zeer grote kan springen.

De onderzoekers testten hun aangepaste model, werkend met gegevens van een benchmark genaamd CosmoBench, op twee verschillende sets gesimuleerde universa. Eén set, bekend als CAMELS-SAM, richtte zich op gedetailleerde vorming van sterrenstelsels binnen een specifiek volume, terwijl de andere, Quijote, een veel groter gebied besloeg met iets minder detail. Het doel was om te zien of het model de posities van donkere materie-halo's en sterrenstelsels kon bekijken en correct de waarden van belangrijke kosmische parameters kon raden, zoals de dichtheid van de materie in het universum en de sterkte van de fluctuaties ervan. Ze vroegen het model ook om de snelheden van deze halo's te voorspellen, wat in feite betekent het raden van hoe snel en in welke richting deze onzichtbare structuren bewegen.

De resultaten waren opmerkelijk. Wanneer het team de volledige hoeveelheid beschikbare trainingsdata gebruikte, presteerde hun aangepaste model beter dan eerdere methoden, inclusief andere geavanceerde machine learning-benaderingen en traditionele statistische instrumenten. Echter, de ware kracht van het model kwam aan het licht wanneer de hoeveelheid data beperkt was. In situaties waarin slechts honderd gesimuleerde universa beschikbaar waren voor training, evenaarde of overtrof het aangepaste model de prestaties van andere methoden die getraind waren op duizenden voorbeelden. Deze efficiëntie is cruciaal omdat het draaien van deze kosmische simulaties extreem kostbaar is in termen van rekenkracht; het vermogen om te leren van minder voorbeelden betekent dat wetenschappers een hoge precisie kunnen bereiken zonder dat ze zoveel digitale universa hoeven te genereren.

Om te waarborgen dat dit succes te danken was aan de specifieke kennis verkregen uit de deeltjesfysica en niet alleen aan de architectuur van het neurale netwerk zelf, voerden de onderzoekers verschillende controletests uit. Ze vergeleken hun model met een model dat met exact dezelfde structuur was gebouwd maar vanaf nul werd getraind op willekeurige gegevens, en een ander dat vooraf was getraind op een eenvoudige, synthetische dataset van punten die geen enkele connectie hadden met de echte fysica. Het model dat getraind was op deeltjesbotsingen presteerde consequent beter dan beide. Het model dat vanaf nul werd getraind, had veel meer data nodig om hetzelfde niveau van nauwkeurigheid te bereiken, en het model dat getraind was op de eenvoudige synthetische punten presteerde slecht en slaagde er vaak niet in om de patronen überhaupt te leren. Dit bevestigde dat het model niet alleen een generieke manier had geleerd om lijsten met punten te verwerken, maar dat het specifieke, overdraagbare inzichten had geïnternaliseerd over hoe objecten in een wolk met elkaar samenhangen.

De studie onderzocht ook of het model volledig opnieuw getraind moest worden om te kunnen werken op de nieuwe data. Ze ontdekten dat ze het grootste deel van het interne "brein" van het model bevroren konden houden, waarbij slechts een fractie van de instellingen werd aangepast om het aan de nieuwe taak aan te passen. Zelfs met deze minimale aanpassing behield het model zijn vermogen om nauwkeurige voorspellingen te doen. Dit geeft aan dat de fundamentele geometrische relaties die het model leerde tijdens het bestuderen van deeltjesbotsingen—hoe deeltjes klonteren, hoe ze ten opzichte van elkaar bewegen en hoe ze structuren vormen—opvallend genoeg vergelijkbaar zijn met de relaties die worden gevonden in de verdeling van sterrenstelsels. De onderzoekers merkten op dat hoewel de natuurkundige wetten die deeltjesbotsingen beheersen verschillen van die welke de expansie van het universum beheersen, de onderliggende wiskundige structuren van de data compatibel genoeg zijn om deze overdracht van kennis mogelijk te maken.

In praktische zin biedt deze aanpak een aanzienlijke afkorting voor kosmologen. Het aanpassen van het model aan een nieuwe dataset kostte slechts enkele uren aan rekentijd op standaard grafische processoren, een fractie van de tijd die nodig is om een nieuw model vanaf nul te trainen of de simulaties zelf uit te voeren. Het team demonstreerde dat het model voor de Quijote-simulaties de prestaties van de beste bestaande benchmarks kon evenaren met minder dan tien procent van de beschikbare data. Voor de complexere CAMELS-SAM-simulaties verbeterde het de resultaten van alle voorgaande methoden met de helft van de data. Deze bevindingen suggeren dat foundation-modellen, die grote, vooraf getrainde systemen zijn die in staat zijn om brede patronen te leren, een krachtig instrument kunnen zijn voor wetenschappelijke ontdekkingen over verschillende vakgebieden heen. Door gebruik te maken van de enorme datasets die al gegenereerd zijn in de deeltjesfysica, kunnen onderzoekers hun begrip van het kosmos versnellen, wat potentieel de computationele kosten van toekomstige studies vermindert en nieuwe wegen opent voor het verkennen van de fundamentele aard van ons universum.