Een nieuw ontwikkeld systeem genaamd ASTRA kan autonoom hypothesen genereren en analyseren in de astrofysica zonder dat er bij elke stap menselijke tussenkomst nodig is. Het framework combineert diverse wetenschappelijke methoden om resultaten te valideren aan de hand van natuurkundige wetten.
In een recent gepubliceerd onderzoek introduceert onderzoeker Glenn J. White het framework ASTRA. Volgens de publicatie op arxiv.org is dit een autonoom systeem dat specifiek is ontworpen voor de astrofysica. Het doel van ASTRA is om data-analyse en het opstellen van hypothesen te automatiseren, waarbij de resultaten direct worden getoetst aan de fysica.
Integratie van wetenschappelijke methoden
Het systeem werkt niet via een simpele statistische benadering, maar integreert verschillende complexe analysetechnieken in één geautomatiseerde workflow. Hierbij wordt gebruikgemaakt van dimensionale analyse, structurele causale modellen en de berekening van Bayesiaanse bewijslast. Daarnaast is het framework in staat om data uit verschillende golflengten met elkaar te fuseren, wat essentieel is voor moderne astronomische observaties.
De kracht van ASTRA ligt in de zogenaamde "physics-validation". Waar veel huidige AI-modellen patronen herkennen zonder de onderliggende natuurkunde te begrijpen, probeert ASTRA te verifiëren of de gevonden resultaten consistent zijn met fysieke wetten.
Testresultaten en validatie
Om de effectiviteit van het framework aan te tonen, is ASTRA getest op vijf verschillende scenario's met echte observationele data. Volgens de slaagde het systeem erin om bekende resultaten te reproduceren. Deze testcases omvatten onder meer:
- De schaling van filamenten in Herschel-data.
- Cross-matching in het Chandra Deep Field South.
- Correlaties tussen sterrenstelsels in de SDSS-dataset.
- Causale inferentie met Gaia-data.
- Modelselectie voor viriale massa's via Bayesiaanse methoden.
Daarnaast is er een zesde test uitgevoerd op synthetische data van sterrenstelsels. Hierbij kon het systeem onbegeleid de hoofdreeks en de relatie tussen massa en metalliciteit herleiden. Een specifieke detector voor uitschieters presteerde hierbij zeer sterk; op tien verzegelde datasets werd de correcte fractie van geïnjecteerde afwijkingen gevonden met een zuiverheid van meer dan 0,99.
Vergelijking met andere AI-modellen
Het onderzoek trekt een scherpe conclusie over de huidige staat van generatieve AI in de wetenschap. In een directe vergelijking bleken zowel "agentic-LLM" (geavanceerde taalmodellen) als pure machine learning-modellen weliswaar in staat om statistische aanpassingen te doen, maar faalden ze bij de fysieke validatie.
Volgens de slaagden deze baselines er zelden in om de benodigde equilibrium-benchmarks af te leiden. Opvallend is dat deze modellen in alle zes de zogenaamde "trap runs" (testruns met opzettelijke fouten) een onjuiste benchmark accepteerden. Een specifiek voor de astrofysica gefinetuned model slaagde er zelfs in nul van de zes runs in om de taak correct te voltooien.
Toepassing op live data
ASTRA is ook toegepast op actuele data uit de SDSS DR16. Hierbij markeerde het systeem 197 van de 4.999 geanalyseerde sterrenstelsels als afwijkend op basis van een door de data bepaalde drempelwaarde. Deze extreme gevallen konden vervolgens worden geclassificeerd met behulp van spectroscopie die voor het model verborgen was gehouden.
De auteurs benadrukken dat deze resultaten dienen als bewijs voor de capaciteiten van het systeem en als validatie van de werking, in plaats van nieuwe wetenschappelijke ontdekkingen. De mogelijkheid om hypothesen te genereren is in dit stadium kwalitatief aangetoond. Het artikel is inmiddels geaccepteerd voor publicatie in het vakblad Monthly Notices of the Royal Astronomical Society (MNRAS), zoals vermeld in de .