Maskiner lærer at forske – Kunstig intelligens som værktøj til at forstå universet

Resumé

Artiklen beskriver, hvordan kunstig intelligens kan accelerere kosmologisk forskning ved at emulere beregningstunge modeller, der ellers kræver massiv regnekraft. I moderne kosmologi kombineres observationer som den kosmiske mikrobølgebaggrund og supernovaer af type Ia med teoretiske modeller baseret på generel relativitetsteori, statistisk fysik og partikelfysik for at bestemme universets sammensætning og udvikling. Parameterbestemmelse foretages ofte med Markov chain Monte Carlo (MCMC), men metoden kræver op mod millioner af modelberegninger, hvilket kan betyde ugevis af CPU-tid.

Forfatteren viser, hvordan neurale netværk kan trænes til at emulere koden CLASS og dermed reducere beregningstiden med flere størrelsesordener. Gennem en iterativ “active learning”-proces udvælges træningspunkter strategisk i de mest sandsynlige områder af parameterrummet, så netværket gradvist forbedres og konvergerer mod de resultater, som de fulde modelberegninger giver. Dette muliggør hurtig og præcis estimering af Bayesianske posteriorfordelinger for kosmologiske parametre som neutrinomasse og H₀.

Artiklen peger desuden på nye muligheder, herunder gradientbaserede metoder og realtidsvisualisering af kosmologiske observable gennem appen CosmoSlider. Samlet demonstreres, hvordan kunstig intelligens ikke blot effektiviserer eksisterende analyser, men åbner for helt nye metodiske tilgange i forståelsen af universets struktur og udvikling.