Claude Science van Anthropic heeft de eerste volledige ultraviolette kaart van de hele hemel geproduceerd, een mijlpaal beschreven door Johns Hopkins-astrofysicus Brice Ménard, die het project leidde en het proces gedetailleerd op de website van Anthropic. De inspanning, gerapporteerd door The Decoder, laat zien hoe gecoördineerde AI-agenten het vervelende datawerk kunnen absorberen waar onderzoeksteams anders nooit aan toe zouden komen.

De kaart vult tientallen jaren oude gaten in die zijn achtergelaten door eerdere ruimtemissies, door archiefobservaties te combineren met door modellen gegenereerde reconstructies van regio's die geen enkele telescoop volledig heeft gedekt. Het is een van de meest concrete voorbeelden tot nu toe van AI die zich verplaatst van chatbots en codeerassistenten naar de dagelijkse machinerie van wetenschappelijk onderzoek – een thema dat terugkomt in een groot deel van de hedendaagse berichtgeving over AI-onderzoek (https://aibuzzwire.news).

Waarom een complete UV-kaart nooit heeft bestaan

Ultraviolet licht is onzichtbaar vanaf de grond. De ozonlaag blokkeert dit, wat betekent dat UV-astronomie alleen vanuit de ruimte kan worden gedaan. NASA's GALEX-missie, die van 2003 tot 2013 de hemel in ultraviolet onderzocht, slaagde erin ongeveer tweederde van de hemel te bestrijken, maar sloeg heldere stervormingsgebieden over, waar het licht zo intens is dat het detectoren kan beschadigen of waarnemingen kan verzadigen.

Daardoor bleef grofweg een derde van de hemel zonder UV-dekking – inclusief enkele van de wetenschappelijk meest interessante buurten, dicht bij jonge sterren en actieve stervorming. Al meer dan tien jaar hebben astronomen die met UV-gegevens werken, te maken met deze gaten, door gedeeltelijke weergaven samen te voegen of eenvoudigweg de ontbrekende gebieden in hun analyses te vermijden.

Hoe AI-agenten de kaart hebben samengesteld

Claude Science coördineert teams van AI-agenten die gegevens van meerdere ruimtemissies hebben gedownload, gekalibreerd en samengevoegd tot één consistente kaart. Waar waarnemingen ontbraken, maakte het systeem gebruik van inpainting – een techniek waarbij een model leert van bestaande gegevens om de hiaten te reconstrueren.

De resultaten werden gevalideerd aan de hand van echte metingen: bij tests weken de voorspellingen van het model gemiddeld zo'n 10 procent af van de werkelijke waarden, volgens Ménards beschrijving van het project. Dat foutenpercentage is van belang – het is het verschil tussen een wetenschappelijk bruikbaar product en een mooi plaatje – en het suggereert dat de reconstructies dichtbij genoeg zijn om verkennend werk te ondersteunen, ook al zijn ze geen vervanging voor directe observatie.

UV-licht onthult stof dat wordt verlicht door sterlicht, inclusief structuren zoals wolken rond jonge sterren en ringen die zijn achtergelaten door stellaire explosies. Nu de hele hemel bedekt is, kunnen onderzoekers deze kenmerken bestuderen in gebieden die voorheen blinde vlekken waren.

De agent-coördinatiebenadering is net zo opmerkelijk als het resultaat. In plaats van dat één enkel model de vragen beantwoordde, heeft het systeem het project opgedeeld in taken – missiearchieven lokaliseren, de gegevens ophalen, de kalibratie controleren, projecties op één lijn brengen, overlappende onderzoeken samenvoegen, lacunes identificeren – en deze toegewezen aan gespecialiseerde agenten die via de pijplijn hebben gewerkt. Menselijke wetenschappers stellen de eisen en valideren de output; de agenten deden het montagewerk dat anders tien jaar van een afgestudeerde student zou hebben gekost.

Een leermiddel en een sjabloon

Ménard zei dat de kaart bedoeld is als lesmateriaal, waardoor studenten en onderzoekers voor het eerst een volledig zicht krijgen op de ultraviolette hemel. Maar de grotere implicatie kan de workflow zelf zijn.

Hij vermoedt dat veel wetenschappers soortgelijke projecten hebben uitgesteld: grote, weinig glamoureuze inspanningen op het gebied van data-integratie die AI nu mogelijk zou kunnen maken. Archieven van eerdere ruimtemissies staan ​​vol met gegevens die nooit volledig zijn benut, niet omdat ze geen waarde hebben, maar omdat het opschonen, kalibreren en samenvoegen ervan een onderzoeksteam jaren van zwaar werk zou vergen. Op agenten gebaseerde systemen zoals Claude Science veranderen die economie: de coördinatie en gegevensverwerking die ooit een carrière in beslag namen, kunnen in een project plaatsvinden.

Er schuilt ook een stille ironie in de bron van de gaten. GALEX heeft de helderste stervormingsgebieden overgeslagen, juist omdat deze tot de meest waardevolle doelen behoren: de motoren van nieuwe stervorming die astronomen het liefst in ultraviolet licht willen bestuderen. Een missie die was ontworpen rond de bescherming van instrumenten zorgde er uiteindelijk voor dat de meest interessante buurten niet in kaart werden gebracht, en pas nu, met behulp van AI-ondersteunde wederopbouw, wordt die blinde vlek opgevuld.

De voorbehouden

Ingeschilderde gebieden zijn voorspellingen, geen metingen. Ongeveer een derde van deze kaart bestaat omdat een model heeft afgeleid hoe de UV-hemel eruit zou moeten zien op basis van de omringende gegevens en patronen die zijn geleerd van de bedekte gebieden. De gemiddelde afwijking van 10 procent is een totaalcijfer; specifieke structuren – een zwakke ring rond een stellair overblijfsel, de rand van een stofwolk – zouden minder betrouwbaar kunnen zijn dan de algemene statistieken van de kaart suggereren.

Dat is geen ontslag. Elk wederopbouwproject in de astronomie heeft te maken met dezelfde afweging, en het Antropische project is transparant over welke regio's werden afgeleid. Maar onderzoekers die de kaart aanhalen, zullen onderscheid moeten maken tussen waargenomen en gereconstrueerde gebieden, vooral als het gaat om zwakke of ongebruikelijke bronnen.

Het project signaleert ook de bredere drang van Anthropic om zijn modellen binnen wetenschappelijke workflows te positioneren, van de hemelkaart tot het scannen van kwetsbaarheden voor open-sourcesoftware die deze week werd aangekondigd. Voor de astronomiegemeenschap is de directe conclusie eenvoudiger: een dataset die nog niet bestond, bestaat nu wel, en de tools waarmee deze is gebouwd, kunnen in de toekomst op andere missies worden gericht.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →