Wetenschappers hebben een innovatieve techniek ontwikkeld om de oorsprong van het universum beter in kaart te brengen. Door gebruik te maken van sferische neurale netwerken kunnen onderzoekers nu nauwkeuriger de tensor-tot-scalar ratio bepalen in de kosmische achtergrondstraling. Deze parameter, aangeduid als $r$, is essentieel voor het begrijpen van primordiale zwaartekrachtgolven die kort na de oerknal zijn ontstaan.
In een rapport dat op 18 november 2026 verscheen, beschrijven Anto I. Lonappan en zijn team hoe zij een sferisch grafisch convolutioneel netwerk inzetten. In tegenstelling tot traditionele methoden, waarbij men eerst het powerspectrum schat en complexe stappen onderneemt om ruis en voorgrondsignalen te scheiden, analyseert dit nieuwe model de multifrequentie B-mode kaarten van de hemel direct. Volgens de publicatie op arxiv.org is het systeem getraind met behulp van 20.000 simulaties van een generiek experiment dat gebruikmaakt van grondstations.
De simulaties hielden rekening met diverse verstoringen die de data kunnen beïnvloeden, zoals inhomogene ruis, gelensde kosmische microgolfachtergrond en stochastische emissies van galactisch stof en synchrotronstraling. De resultaten van deze aanpak zijn veelbelovend. Het neurale netwerk slaagde erin de root-mean-square error op de waarde van $r$ met een factor 1,3 te reduceren ten opzichte van de conventionele multifrequentie bandpower likelihood-methode. Bovendien waren de 68% betrouwbaarheidsintervallen 1,2 keer kleiner, mits er dezelfde a priori aannames werden gehanteerd als bij de traditionele benadering, zoals verder uiteengezet in de .
Een opvallend aspect van het onderzoek is de inzet van 'saliency maps'. Deze visuele hulpmiddelen maken inzichtelijk hoe het netwerk beslissingen neemt. De analyse toont aan dat het model zelfstandig leert om prioriteit te geven aan de diepste regio's van de hemel en de schoonste frequentiekanalen. Opvallend is dat het netwerk dit doet zonder dat de onderzoekers expliciete informatie over de diepte van de survey in het model hebben geïntegreerd.
Toch zijn er nog hindernissen. De effectiviteit van het netwerk is sterk afhankelijk van het gebruikte voorgrondmodel. Hoewel het systeem een zekere mate van generalisatie vertoont naar alternatieve modellen, ontstaan er problemen bij het gebruik van een driedimensionaal stofmodel met variaties langs de gezichtslijn. De auteurs suggereren in hun dat training op een bredere familie van modellen dit probleem kan oplossen, waardoor directe neurale inferentie op kaartniveau een krachtig instrument wordt voor toekomstige B-mode analyses.
Deze ontwikkeling past in een bredere trend waarbij kunstmatige intelligentie een cruciale rol gaat spelen in diverse wetenschappelijke disciplines. Terwijl de astronomie AI gebruikt om de fundamenten van de kosmos te onderzoeken, wordt dezelfde technologie in de medische sector ingezet voor klinische doeleinden. Zo beschrijft medscape.com ECG-bevindingen bij cocaïnegebruik. De overstap van klassieke statistische methoden naar sferische convolutionele netwerken stelt astronomen in staat om complexe en ruisgevoelige data uit de ruimte efficiënter te verwerken dan voorheen mogelijk was.