KI beschleunigt Suche nach neuer Physik – mit Haken

Das Universum steckt voller Rätsel. Das aktuelle Standardmodell der Kosmologie, genannt ΛCDM, beschreibt viele große Zusammenhänge – etwa die Expansion des Alls oder die Verteilung von Galaxien. Doch es ist nicht die ganze Wahrheit. Neuere Beobachtungen deuten auf Phänomene hin, die über dieses Modell hinausgehen: massereiche Neutrinos, veränderliche Dunkle Energie oder Abweichungen in der Schwerkraft. Um diese zu erforschen, müssen Wissenschaftler Unmengen aufwendiger Computersimulationen durchführen – jede ein virtuelles Universum mit anderen physikalischen Annahmen. Das kostet immense Rechenleistung und Zeit.

Ein Team um die Princeton-Studentin Veena Krishnaraj hat nun eine Methode getestet, die diesen Prozess drastisch beschleunigen könnte: Transfer Learning. Dabei wird eine Künstliche Intelligenz zunächst mit einfacheren Simulationen trainiert, die auf dem bekannten Standardmodell basieren. Erst danach wird sie auf die komplexeren, teureren Simulationen losgelassen. „Es ist wie ein Abkürzung“, erklärt Adrian Bayer, Kosmologe am Flatiron Institute und Mitautor der Studie. „Man liest erst ein einfaches Lehrbuch, bevor man zum schwierigen greift.“ Das Ergebnis: In manchen Fällen reduzierte sich die Anzahl der benötigten teuren Simulationen um mehr als das Zehnfache.

Doch die Studie, veröffentlicht im Journal of Cosmology and Astroparticle Physics, förderte auch eine unerwartete Kehrseite zutage: das sogenannte negative Transfer. Wenn die KI zu sehr auf das vertraut, was sie bereits gelernt hat, kann sie Neues übersehen. Konkret zeigte sich das bei Simulationen mit massereichen Neutrinos. Deren Signale ähneln verblüffend einem bekannten Parameter des Standardmodells, der die Materieverteilung im Universum beschreibt. Die KI hatte Mühe, die beiden Effekte auseinanderzuhalten. „Das negative Transfer ist kein Zufall, sondern folgt aus physikalischen Ähnlichkeiten im Modell“, sagt Krishnaraj.

Die Forscher betonen, dass ihre Ergebnisse sowohl die Chancen als auch die Risiken von KI in der Grundlagenforschung zeigen. Bislang wurde die Methode nur mit Simulationen getestet. Der nächste Schritt ist die Anwendung auf echte astronomische Beobachtungen. Das Team ist überzeugt, dass Transfer Learning ein wichtiges Werkzeug für kommende Himmelsdurchmusterungen werden könnte, die in den nächsten Jahren riesige Datenmengen liefern werden. Die Studie zeigt: KI kann die Entdeckung neuer Physik enorm beschleunigen – aber nur, wenn wir ihre blinden Flecken kennen.