Stellen Sie sich vor, Sie könnten eine Schneeflocke am Südpol betrachten und die Größe und das Klima der gesamten Antarktis bestimmen. Oder studieren Sie einen zufällig ausgewählten Baum im Amazonas-Regenwald und leiten Sie von diesem einen Baum – sei er selten oder häufig, schmal oder breit, jung oder alt – Merkmale des gesamten Waldes ab. Oder was wäre, wenn man durch die Betrachtung einer Galaxie unter den etwa hundert Milliarden im beobachtbaren Universum etwas Wesentliches über das Universum als Ganzes sagen könnte? Eine kürzlich erschienene Veröffentlichung, zu deren Hauptautoren ein Kosmologe, ein Experte für die Bildung von Galaxien und ein Student namens Jupiter (der die anfängliche Arbeit geleistet hat) gehört, legt nahe, dass dies der Fall sein könnte. Das Ergebnis kam den Autoren der Arbeit zunächst „verrückt“ vor. Jetzt, nachdem sie ihre Arbeit mit anderen Astrophysikern diskutiert und verschiedene „Sanity Checks“ durchgeführt haben, bei denen versucht wird, Fehler in ihren Methoden zu finden, scheinen die Ergebnisse ziemlich klar zu sein. Francisco Villaescusa-Navarro, einer der Hauptautoren der Arbeit, sagte: „Es sieht so aus, als würden Galaxien irgendwie eine Erinnerung an das gesamte Universum bewahren.“
Die Recherche begann als eine Art Hausaufgabe. Jupiter Ding schrieb während seines Studienanfängers in Princeton an die Abteilung für Astrophysik in der Hoffnung, sich an der Forschung beteiligen zu können. Er erwähnte, dass er einige Erfahrung mit maschinellem Lernen habe, einer Form der künstlichen Intelligenz, die Muster in sehr großen Datensätzen erkennen kann. Villaescusa-Navarro, eine auf Kosmologie spezialisierte Astrophysikerin, hatte eine Idee, woran der Student arbeiten könnte. Villaescusa-Navarro wollte schon lange untersuchen, ob maschinelles Lernen dazu beitragen könnte, Beziehungen zwischen Galaxien und dem Universum zu finden. „Ich dachte: Was wäre, wenn Sie nur tausend Galaxien betrachten und daraus Eigenschaften über das gesamte Universum lernen könnten? Ich fragte mich: Was ist die kleinste Zahl, die wir uns ansehen könnten? Was wäre, wenn Sie nur hundert sehen würden? Ich dachte, OK, wir fangen mit einer Galaxie an.“
Er hatte nicht erwartet, dass eine Galaxie viel bieten würde. Aber er dachte, dass es eine gute Möglichkeit für Ding wäre, die Verwendung von maschinellem Lernen in einer Datenbank namens zu üben KAMELE (Kosmologie und Astrophysik mit Machine-Learning-Simulationen). Shy Genel, ein Astrophysiker, der sich auf die Entstehung von Galaxien konzentriert und ein weiterer Hauptautor des Papiers ist, erklärte KAMELE so: „Wir beginnen mit einer Beschreibung der Realität kurz nach dem Urknall. An diesem Punkt besteht das Universum hauptsächlich aus Wasserstoffgas und etwas Helium und dunkler Materie. Und dann, mit dem, was wir über die Gesetze der Physik wissen, unserer besten Vermutung, führen wir dann die kosmische Geschichte für ungefähr vierzehn Milliarden Jahre durch.“ Kosmologische Simulationen gibt es seit etwa vierzig Jahren, aber sie werden immer ausgefeilter – und schneller. KAMELE enthält etwa viertausend simulierte Universen. Die Arbeit mit simulierten Universen im Gegensatz zu unseren eigenen ermöglicht es Forschern, Fragen zu stellen, die wir aufgrund der Lücken in unseren Beobachtungsdaten nicht beantworten können. Sie lassen die Forscher auch mit verschiedenen Parametern spielen, wie den Anteilen von dunkler Materie und Wasserstoffgas, um ihre Wirkung zu testen.
Ding hat die Arbeit an KAMELE aus seinem Schlafsaal, auf seinem Laptop. Er schrieb Programme, um damit zu arbeiten KAMELE Daten und schickte sie dann an einen der Computercluster der Universität, eine Ansammlung von Computern mit weitaus mehr Leistung als sein MacBook Air. Dieser Rechencluster enthielt die KAMELE Daten. Dings Modell trainierte sich selbst, indem es eine Reihe simulierter Universen nahm und die darin enthaltenen Galaxien betrachtete. Nach dem Training würde dem Modell dann eine Beispielgalaxie gezeigt und gebeten, Merkmale des Universums vorherzusagen, aus dem es abgetastet wurde.
Ding ist sehr bescheiden in Bezug auf seinen Beitrag zur Forschung, aber er weiß viel mehr über Astrophysik als selbst ein außergewöhnlicher Erstsemesterstudent normalerweise hat. Ding, ein mittleres Kind mit zwei Schwestern, wuchs am State College in Pennsylvania auf. In der High School belegte er eine Reihe von Astronomiekursen auf College-Niveau an der Penn State University und arbeitete an einigen Forschungsprojekten, die sich mit maschinellem Lernen befassten. „Mein Vater interessierte sich schon als Gymnasiast sehr für Astronomie“, erzählte mir Ding. „Er ist aber in eine andere Richtung gegangen.“ Sein Vater ist Professor für Marketing an der Business School der Penn State.
Künstliche Intelligenz ist ein Oberbegriff für verschiedene Disziplinen, darunter auch maschinelles Lernen. Eine berühmte frühe maschinelle Lernaufgabe bestand darin, einen Computer dazu zu bringen, ein Bild einer Katze zu erkennen. Dies ist etwas, was ein Mensch leicht tun kann, aber für einen Computer gibt es keine einfachen Parameter, die das visuelle Konzept einer Katze definieren. Maschinelles Lernen wird heute verwendet, um Muster oder Beziehungen zu erkennen, die für Menschen fast unmöglich zu erkennen sind, teilweise weil die Daten oft in vielen Dimensionen vorliegen. Der Programmierer bleibt der Kapitän, der dem Computer sagt, was er lernen soll, und entscheidet, auf welche Eingaben er trainiert wird. Aber der Computer passt sich iterativ an, während er lernt, und wird so zum Autor seiner eigenen Algorithmen. Maschinelles Lernen war es beispielsweise, das durch die Analyse von Sprachmustern die angeblichen Hauptautoren der Posts von „Q“ (dem angeblichen hochrangigen Regierungsbeamten, der die QAnon-Verschwörungstheorie entzündete) entdeckte. Es war auch in der Lage, festzustellen, welche Beiträge von Q anscheinend von Paul Furber, einem südafrikanischen Softwareentwickler, und von Ron Watkins, dem Sohn des ehemaligen Besitzers von 8chan, geschrieben wurden. Programme für maschinelles Lernen wurden auch im Gesundheitswesen eingesetzt, um anhand von Daten vorherzusagen, welche Patienten am stärksten sturzgefährdet sind. Verglichen mit der Intuition von Ärzten reduzierten die auf maschinellem Lernen basierenden Bewertungen die Stürze um etwa vierzig Prozent, ein enormer Verbesserungsspielraum für einen medizinischen Eingriff.
Maschinelles Lernen hat auch die astrophysikalische Forschung nach vorne katapultiert. Villaescusa-Navarro sagte: „Als Gemeinschaft beschäftigen wir uns seit vielen, vielen Jahren mit superschweren Problemen. Probleme, an denen die klügsten Köpfe der Branche seit Jahrzehnten arbeiten. Und von einem Tag auf den anderen werden diese Probleme mit maschinellem Lernen gelöst.“ Selbst die Erstellung eines einzigen simulierten Universums dauerte früher sehr lange. Sie haben einem Computer einige Anfangsbedingungen gegeben und mussten dann warten, während er herausfand, was diese Bedingungen in etwa vierzehn Milliarden Jahren ergeben würden. Es dauerte natürlich weniger als vierzehn Milliarden Jahre, aber es gab keine Möglichkeit, rechtzeitig eine große Datenbank simulierter Universen aufzubauen. Fortschritte beim maschinellen Lernen haben diese Simulationen beschleunigt und ein Projekt wie KAMELE möglich. Ein noch ehrgeizigeres Projekt, Learning the Universe, wird maschinelles Lernen verwenden, um simulierte Universen millionenfach schneller als zu erstellen KAMELE kann; Anschließend wird es mithilfe sogenannter simulationsbasierter Inferenz – zusammen mit realen Beobachtungsdaten von Teleskopen – bestimmen, welche Startparameter zu einem Universum führen, das unserem eigenen am ähnlichsten ist.
Ding sagte mir, dass einer der Gründe, warum er sich für Astronomie entschieden hat, die Nähe zu Durchbrüchen auf diesem Gebiet war, selbst als Student. „Zum Beispiel bin ich gerade in einem Kurs für Kosmologie, und wenn meine Professorin über dunkle Materie spricht, spricht sie darüber als etwas, das ‚eine gute Freundin von mir, Vera Rubin, auf die Karte gesetzt hat’“, sagte er. „Und dunkle Energie wurde vor etwa zwanzig Jahren von einem Team in Harvard entdeckt, und ich habe dort ein Sommerprogramm gemacht. Hier bin ich also und lerne über diese Dinge ziemlich viel an den Orten, an denen diese Dinge passiert sind.“ Dings Forschung brachte etwas zutiefst Unerwartetes hervor. Sein Modell verwendete eine einzelne Galaxie in einem simulierten Universum, um ziemlich genau etwas über dieses Universum zu sagen. Die spezifische Eigenschaft, die es vorhersagen konnte, heißt Omega-Materie, die sich auf die Dichte eines Universums bezieht. Sein Wert wurde auf zehn Prozent genau vorhergesagt.
Ding war sich zunächst nicht sicher, wie aussagekräftig seine Ergebnisse waren, und war neugierig, die Perspektive von Villaescusa-Navarro zu hören. Er war mehr als skeptisch. „Mein erster Gedanke war: Das ist völlig verrückt, ich glaube es nicht, das ist die Arbeit eines Studenten, da muss ein Fehler vorliegen“, sagte Villaescusa-Navarro. „Ich habe ihn gebeten, das Programm auf andere Weise auszuführen, um zu sehen, ob er immer noch zu ähnlichen Ergebnissen kommt.“ Die Ergebnisse hielten.
Villaescusa-Navarro begann mit eigenen Berechnungen. Seine Zweifel konzentrierten sich vor allem auf die Art und Weise, wie das maschinelle Lernen selbst funktionierte. „Eine Sache an neuronalen Netzwerken ist, dass sie erstaunlich gut darin sind, Korrelationen zu finden, aber sie können auch numerische Artefakte erkennen“, sagte er. War ein Parameter falsch? Gab es einen Fehler im Code? Villaescusa-Navarro schrieb sein eigenes Programm, um die gleiche Art von Frage zu stellen, die er Ding zugewiesen hatte: Was könnten Informationen über eine Galaxie über das Universum aussagen, in dem sie sich befand? Selbst auf die Frage eines anderen Programms, das von Grund auf neu geschrieben wurde, kam immer noch die gleiche Antwort heraus. Dies deutete darauf hin, dass das Ergebnis etwas Reales einfing.
„Aber wir konnten das nicht einfach veröffentlichen“, sagte Villaescusa-Navarro. „Wir mussten versuchen, es zu verstehen warum das könnte funktionieren.“ Es funktionierte für kleine Galaxien und für große Galaxien und für Galaxien mit sehr unterschiedlichen Merkmalen; nur für eine kleine Handvoll exzentrischer Galaxien hielt die Arbeit nicht. Warum?
Das Rezept für die Erschaffung eines Universums besteht darin, mit viel Wasserstoff, wenig Helium, etwas dunkler Materie und etwas dunkler Energie zu beginnen. Dunkle Materie hat Masse, wie die Materie, mit der wir vertraut sind, aber sie reflektiert oder emittiert kein Licht, sodass wir sie nicht sehen können. Wir können dunkle Energie auch nicht sehen, aber wir können uns vorstellen, dass sie in die entgegengesetzte Richtung der Schwerkraft wirkt. Die Materie des Universums drückt es durch die Schwerkraft zusammen; Die dunkle Energie des Universums treibt es zur Expansion.
Omega-Materie ist ein kosmologischer Parameter, der beschreibt, wie viel dunkle Materie im Universum vorhanden ist. Zusammen mit anderen Parametern steuert es, wie stark sich das Universum ausdehnt. Je höher sein Wert, desto langsamer würde das Universum wachsen. Eine der Hypothesen der Forschungsgruppe zur Erklärung ihrer Ergebnisse ist grob gesagt, dass die Menge an dunkler Materie in einem Universum einen sehr starken Einfluss auf die Eigenschaften einer Galaxie hat – einen stärkeren Effekt als andere Eigenschaften. Aus diesem Grund könnte sogar eine Galaxie etwas über die Omega-Materie ihres Mutteruniversums zu sagen haben, da die Omega-Materie mit dem korreliert, was man sich als die Materiedichte vorstellen kann, die eine Galaxie zusammenklumpen lässt.
Im Dezember präsentierte Genel, ein Experte für Galaxienentstehung, die vorläufigen Ergebnisse der Arbeit der Galaxienentstehungsgruppe, der er am Center for Computational Astrophysics in New York angehört. „Das war wirklich eines der lustigsten Dinge, die mir passiert sind“, sagte er. Er sagte mir, dass jeder Experte für die Bildung von Galaxien keine andere erste Reaktion haben könnte, als zu denken: Das ist unmöglich. Eine Galaxie ist im Maßstab eines Universums etwa so groß wie ein Sandkorn im Verhältnis zur Größe der Erde. Zu glauben, dass es allein etwas so Wesentliches sagen kann, ist für die Mehrheit der Astrophysik-Community äußerst überraschend, ähnlich wie die Entdeckung, dass jede unserer Zellen – von einer Fingernagelzelle bis zu einer Leberzelle – eine beschreibende Codierung enthält unser ganzer Körper. (Obwohl vielleicht für die poetische Denkweise – die Welt in einem Sandkorn zu sehen – die Überraschung ist, dass dies überraschend ist.)
Rachel Somerville, eine Astrophysikerin, die bei dem Vortrag dabei war, erinnerte sich an die anfängliche Reaktion als „Skepsis, aber respektvolle Skepsis, da wir wussten, dass es sich um ernsthafte Forscher handelte“. Sie erinnert sich, dass sie überrascht war, dass der Ansatz überhaupt versucht wurde, da es so unglaublich unwahrscheinlich schien, dass er funktionieren würde. Seitdem haben die Forscher ihre Codierung und Ergebnisse mit Experten auf diesem Gebiet geteilt; Die Ergebnisse werden als glaubwürdig und überzeugend angesehen, obwohl die Bedenken der Autoren selbst gegenüber den Ergebnissen bestehen bleiben.
Die Ergebnisse sind nicht „robust“ – im Moment kann der Computer gültige Vorhersagen nur für die Art des Universums machen, auf die er trainiert wurde. Sogar innerhalb KAMELE, gibt es zwei Arten von Simulationen, und wenn die Maschine auf eine Art trainiert wird, kann sie nicht verwendet werden, um Vorhersagen für Galaxien in der anderen Art zu treffen. Das bedeutet auch, dass die Ergebnisse nicht dazu verwendet werden können, Vorhersagen über das Universum zu treffen, in dem wir leben – zumindest noch nicht.
Villaescusa-Navarro sagte mir: „Es ist ein sehr schönes Ergebnis – ich weiß, dass ich das nicht über meine eigene Arbeit sagen sollte.“ Aber was ist Schönheit für einen Astrophysiker? „Es geht um eine unerwartete Verbindung zwischen zwei Dingen, die scheinbar nichts miteinander zu tun haben. In diesem Fall Kosmologie und Galaxienbildung. Es geht darum, dass etwas Verborgenes enthüllt wird.“