Kalibreren van kosmologische simulaties kost veel tijd en enorme hoeveelheden computerkracht. Twee onderzoekers hebben nu een slimmere aanpak gevonden: een AI-agent die het werk sneller en goedkoper doet. In een wetenschappelijk artikel leggen Matthew Ho en Chaipat Tirapongprasert uit hoe hun systeem AgenticTuner werkt.
🧠 Even simpel uitgelegd
Kosmologen draaien computersimulaties om het heelal na te bootsen. Die simulaties hebben allerlei instellingen ('parameters') die precies goed moeten staan, anders kloppen de resultaten niet. Het vinden van de juiste instellingen heet kalibratie. Normaal doe je dat door herhaaldelijk te proberen — heel duur. Deze onderzoekers laten een AI meedenken als een ervaren wetenschapper, zodat er veel minder pogingen nodig zijn.
Waarom de oude methode tekortschiet
Tot nu toe gebruikten wetenschappers vaak Bayesiaanse optimalisatie om deze kalibratie te automatiseren. Die statistische methode werkt, maar heeft een groot nadeel: ze behandelt de simulator als een 'black box'. De interne logica van de simulatie en de expertise van de wetenschappers zelf worden volledig genegeerd. Waardevolle domeinkennis en menselijke intuïtie gaan zo verloren.
Zo werkt AgenticTuner
AgenticTuner pakt het anders aan. Een modern taalmodel (LLM) fungeert als optimizer en stelt zelf gerichte parameter-tests voor. Het systeem put daarbij uit allerlei bronnen: de technische documentatie, de codebase van de simulatie en heuristische gidsen gebaseerd op de intuïtie van ervaren wetenschappers.
Door die contextuele informatie te verwerken, maakt de AI-agent veel gerichtere keuzes. De zoektocht naar de optimale configuratie verloopt daardoor aanzienlijk sneller.
Net zo goed, veel goedkoper
De resultaten zijn opvallend: de agentische aanpak presteert vergelijkbaar met traditionele methoden, maar tegen een fractie van de CPU-kosten. Bij kosmologische modellen op enorme schaal is die besparing op rekenkracht cruciaal.
De auteurs zien hun werk als een eerste stap richting 'AI-wetenschappers': systemen die zelfstandig langdurige en complexe wetenschappelijke taken uitvoeren, door zowel data als vakspecifieke context te begrijpen.
Open source en erkenning
Het project is geaccepteerd voor de 9e jaarlijkse workshop Machine Learning & the Physical Sciences (ML4PS). Om verificatie en verdere ontwikkeling door de wetenschappelijke gemeenschap te stimuleren, hebben de onderzoekers starter-code beschikbaar gesteld.
Het onderzoek is interdisciplinair en valt onder categorieën als computationele linguïstiek (cs.CL) en instrumentatie voor astrofysica (astro-ph.IM). De verschuiving van puur numerieke optimalisatie naar hybride, AI-gestuurde ontdekking markeert een nieuwe fase in de toepassing van taalmodellen binnen de fysica.