De volgende Einstein kan een computer zijn, maar hoe lang duurt dat nog?

Toen de Oostenrijkse natuurkundige Mario Krenn in 2016 promotieonderzoek deed bij een van de bekendste quantumfysici ter wereld, Anton Zeilinger (Nobelprijswinnaar natuurkunde in 2022), wilden ze bepaalde nieuwe quantummechanische toestanden in het laboratorium creëren. Maar wat ze ook probeerden, ze konden geen geschikte methoden verzinnen. Ze trokken de conclusie dat hun intuïtie hen in de weg zat, juist omdat de quantummechanica zelf vol zit met tegenintuïtieve fenomenen. Licht dat zich de ene keer gedraagt als een golf en de andere keer als een deeltje; of deeltjes die op afstand toch met elkaar verstrengeld zijn… dat soort onbegrijpelijke dingen.

Als de menselijke intuïtie faalt, dan is het misschien beter om een computer, die weliswaar niet de voordelen maar ook niet de nadelen heeft van die intuïtie, naar oplossingen te laten zoeken, bedacht Krenn. Hij schreef een kunstmatig intelligent computerprogramma, Melvin genaamd, trainde het eerst op eenvoudigere quantumsystemen en liet het vervolgens complexere experimentele opzetten voorstellen. Al snel genereerde Melvin een volkomen tegenintuïtief idee, dat menselijke natuurkundigen niet zouden bedenken, maar een paar jaar later wel echt bleek te werken in het laboratorium.

„We wisten Melvins oplossing te generaliseren tot een algemeen concept voor een nieuw type quantummechanische verstrengeling”, vertelt Krenn in een interview. „We publiceerden de resultaten in Physical Review Letters, maar het interessante was dat geen van de auteurs het kernidee had bedacht, want dat kwam van Melvin, de computer. In het nawoord hebben we Melvin bedankt voor het analyseren van honderden miljoenen experimenten.”

De goddelijke zet

Dit is een perfect voorbeeld van hoe kunstmatige intelligentie (AI) menselijke wetenschappers inspireert tot het doen van nieuwe ontdekkingen, een van de manieren waarop AI het wetenschappelijke proces versnelt en verbetert. Het verhaal van Krenn lijkt sterk op wat er in datzelfde jaar 2016 gebeurde in de wereld van het bordspel go. In de tweede partij tussen go-computer AlphaGo en een van de beste go-spelers aller tijden, de Zuid-Koreaan Lee Sedol, deed de computer een zet, zet 37, die geen mens ooit zou spelen, maar die uiteindelijk geniaal bleek en het go-spel heeft verrijkt. Zet 37 staat nu bekend als ‘de goddelijke zet’. Af en toe ontdekt de computer een interessant patroon dat mensen nooit eerder hebben gezien en dat een schot in de roos blijkt.

Inmiddels zijn we zeven jaar verder en in december 2022 concludeerde het hoofdredactioneel van het tijdschrift Nature Review Physics dat AI, en met name machinaal leren, standaard gereedschap is geworden in alle aspecten van natuurkundig onderzoek: van het doen en bedenken van experimenten tot het verzamelen en analyseren van data, en zelfs in theorievorming. In de biologie heeft het AI-programma AlphaFold in de afgelopen paar jaar het meer dan een halve eeuw oude fundamentele probleem hoe een eiwit zich vouwt zo goed als opgelost. Hoe lang duurt het dan nog voordat een computer de nieuwe Einstein is?

Ons idee is dat we met AI als gereedschap veel sneller veelbelovende moleculen kunnen vinden

Max Welling hoogleraar machinaal leren

Na zijn ontdekking was Krenn ervan overtuigd dat AI een grote rol zou gaan spelen in de natuurwetenschappen. Hij ging zich volledig toeleggen op het gebruik van AI in de natuurkunde en is inmiddels groepsleider van het Artificial Scientist Lab van het Max Planck Institute for the Science of Light in het Duitse Erlangen. „Ik wil het universum begrijpen en ik wil computers gebruiken om nieuwe natuurkunde te ontdekken,” zegt hij nu over zijn missie. Vorig jaar publiceerde hij in Nature Review Physics een overzicht van hoe AI conceptuele bijdragen kan leveren in de natuurwetenschappen.

Voor het artikel benaderden Krenn en zijn co-auteurs ongeveer honderd computationeel natuurkundigen, chemici en biologen met de vraag hoe zij conceptueel nieuwe ideeën kregen van AI-systemen en hoe ze de toekomstige samenwerking met AI voor zich zagen. Dat leidde tot een keur aan voorbeelden en een indeling in drie typen AI-systemen die kunnen bijdragen aan wetenschappelijk begrip, vertelt Krenn. „Het eerste type is AI die als een computationele microscoop nieuwe of diepere eigenschappen van een fenomeen blootlegt op manieren die voorheen niet mogelijk waren.”

Dit is de manier waarop Max Welling probeert nieuwe inzichten te krijgen in het gedrag van moleculen. Hij is als distinguished scientist verbonden aan de in 2021 opgerichte Amsterdamse tak van het Microsoft AI4Science Lab en tevens hoogleraar machinaal leren aan het Instituut voor Informatica van de Universiteit van Amsterdam. Welling: „Ons idee is dat we met AI als gereedschap veel sneller veelbelovende moleculen kunnen vinden voor het maken van nieuwe materialen, katalysatoren en medicijnen.”

Machinaal leren van trainingsdata

Om dat soort problemen veel sneller op te lossen vervangt Welling dure en trage computersimulaties, die natuurkundige vergelijkingen direct oplossen, door goedkopere en snellere benaderingen die gebaseerd zijn op het machinaal leren van trainingsdata: „Eerst gebruiken we de data van een computersimulatie om een machinaal lerende emulator te trainen en daarna kan de emulator het werk overnemen van de computersimulatie. Deze aanpak kan het doen van moleculaire simulaties, maar ook het maken van weersverwachtingen, met een factor duizend tot tienduizend versnellen, zo zien we in de praktijk. Voor sommige toepassingen in de chemie en quantumchemie is zo’n emulator bijna net zo nauwkeurig als de oorspronkelijke computersimulatie die de natuurwetten zelf uitrekent, maar wel veel goedkoper.”

Als een AI-systeem mijn toegang tot een dienst zoals een lening weigert en mij niet kan uitleggen waarom, dan hebben we een probleem

Max Welling hoogleraar machinaal leren

Het Microsoft AI4Science Lab, met behalve in Amsterdam ook vestigingen in Cambridge, Berlijn, Beijing, Shanghai en Redmond, werkt onder andere aan het bouwen van een soort interactieve zoekmachine waarmee menselijke wetenschappers moleculen met specifieke eigenschappen kunnen vinden. Welling: „Als we een materiaal willen maken dat CO₂ uit de lucht moet halen, of moleculen waarmee farmaceuten een nieuw antibioticum kunnen maken, dan vragen we aan het AI-systeem om honderd kandidaatmoleculen te genereren. Die worden dan al dan niet automatisch in een lab gemaakt en getest, daar leren we nieuwe dingen uit die vervolgens weer het systeem in gaan en dan gaan menselijke wetenschappers weer nieuwe vragen stellen.”

Nu al is een grote versnelling te zien in het genereren van moleculen die geschikt kunnen zijn voor een bepaald medicijn. „Ik denk dat we over vijf of tien jaar zo’n zoekmachine kunnen hebben”, zegt Welling. „Zo kunnen we een grote bijdrage leveren aan het verkorten van de ontwikkeltijd van nieuwe materialen, die nu vaak tien tot twintig jaar is.”

AI als muze

De tweede manier waarop een AI-instrument menselijke wetenschappers kan helpen, is door ze te inspireren tot nieuwe ideeën, verbanden en begrip. „Dat noem ik AI als muze”, zegt Krenn. „Het ontwerp van ons nieuwe quantummechanische experiment in 2016 is daarvan een voorbeeld.” Een ander voorbeeld dat we in ons onderzoek naar het gebruik van AI door natuurwetenschappers tegenkwamen, komt uit de scheikunde. Chemici hebben AI gebruikt om in een grote hoeveelheid wetenschappelijke literatuur automatisch moleculen te vinden die dezelfde eigenschappen hebben, bijvoorbeeld thermo-elektriciteit, de eigenschap om temperatuurverschillen om te zetten in elektriciteit. Krenn: „Behalve dat de lijst moleculen bevat waarvan al bekend was dat ze thermo-elektrisch zijn, bleek de lijst er ook een aantal te bevatten waarvan wetenschappers nooit eerder hadden geweten of vermoed dat ze thermo-elektrisch zijn. Die worden inmiddels in het lab getest.”

Bij de eerste twee manieren waarop AI bijdraagt aan nieuwe wetenschappelijke ontdekkingen, zijn menselijke wetenschappers essentieel om het nieuwe inzicht en de inspiratie te identificeren, te verfijnen en te ontwikkelen tot een volledig begrip. De derde manier waarop AI bijdraagt aan het doen van ontdekkingen, is de meest radicale en op dit moment nog toekomstmuziek: het AI-systeem zelf doet een ontdekking, begrijpt het fenomeen in algemene concepten en is ook nog eens in staat om de nieuwe inzichten uit te leggen aan menselijke wetenschappers. Dit soort systemen noemen Krenn en zijn co-auteurs ‘agents of understanding’. Krenn: „Het is mooi om na te denken over of de machine het fenomeen wel of niet begrijpt, maar uiteindelijk gaat het erom dat menselijke wetenschappers het willen begrijpen. Wetenschap is een menselijke activiteit.”

Sommige collega’s van Krenn betwijfelen of het wel nodig is dat het AI-systeem altijd aan mensen moet kunnen uitleggen wat het heeft ontdekt. Misschien moeten menselijke wetenschappers juist de taal van het AI-systeem gaan leren, en leren werken met concepten die niet vanzelfsprekend zijn in onze antropocentrische perceptie van de wereld. Of misschien komt er een tijd dat wetenschappers het AI-systeem gewoon moeten vertrouwen tot het tegendeel is gebleken. Welling zegt hierover: „Of je wel of niet uitleg wilt, hangt af van de toepassingen. Ik heb liever een AI-systeem dat heel accuraat het weer voorspelt zonder dat we begrijpen hoe het systeem dat doet, dan een systeem dat we helemaal begrijpen maar het weer veel slechter voorspelt. Ook heb ik liever de juiste medische diagnose van een AI-systeem dat ik niet begrijp, dan een inferieur diagnosesysteem dat zichzelf wel kan uitleggen. Echter, als een AI-systeem mijn toegang tot een dienst zoals een lening weigert en mij niet kan uitleggen waarom, dan hebben we een probleem. Die systemen moeten volledig uitlegbaar zijn.”

AI als autonome wetenschapper is nog ver weg, maar de eerste stappen in die richting zijn wel gezet. In 2009, drie jaar voordat diepe neurale netwerken een revolutie in machinaal leren ontketenden, ontwikkelde de Amerikaanse roboticus Hod Lipson al iets wat hij een eureka-machine noemde. Deze machine kon uit observaties van de bewegingen van speelgoedautootjes en slingers zelfstandig de bewegingswetten van Newton afleiden.

Het feit dat je iets kunt herontdekken, betekent niet noodzakelijk dat je ook iets nieuws kunt ontdekken

Mario Krenn natuurkundige

In 2020 gebruikte Max Tegmark, hoogleraar natuurkunde aan het Amerikaanse MIT, neurale netwerken om honderd natuurkundige formules uit de beroemde driedelige boekenreeks The Feynman Lectures On Physics af te leiden uit ruwe data. Uiteindelijk is zijn doel om AI ook volledig nieuwe natuurkundige wetten te laten ontdekken uit nieuwe experimentele data.

In 2022 liet Hod Lipson zien dat een veel slimmere versie van zijn eerdere eureka-machine inzicht kan geven in de karakteristieke fysische variabelen die een systeem beschrijven (in de tweede wet van Newton zijn dat bijvoorbeeld kracht, massa en versnelling). Door te kijken naar video’s van een dubbele elastische slinger en een vlammetje kon Lipsons AI-systeem afleiden hoeveel onafhankelijke fysische variabelen beide natuurkundige fenomenen beschrijven, en ook welke variabelen dat kunnen zijn.

Tegen Cosmos Magazine zei Lipson hierover: „Ik heb me altijd afgevraagd of intelligente buitenaardse wezens dezelfde natuurkundige wetten hebben ontdekt als wij. Of zouden zij het universum op een andere manier beschrijven? Misschien lijken sommige verschijnselen voor ons raadselachtig omdat wij ze proberen te begrijpen met de verkeerde variabelen.” Lipsons AI-systeem kan wetenschappers helpen om out of the box nieuwe variabelen en formules te vinden om een verschijnsel mee te beschrijven.

GoPro van de fysica

De onderzoeken van Lipson en Tegmark zijn een aanzet tot een soort van GoPro-fysica, waarbij je een camera op een willekeurig verschijnsel richt en een AI-systeem je de onderliggende natuurkundige vergelijkingen geeft. Toch is dat nog ver weg, zegt Krenn. „Het werk van Lipson en Tegmark is heel interessant maar tot nu toe is het enige wat ze hebben afgeleid, vergelijkingen die we al kennen. Het feit dat je iets kunt herontdekken, betekent niet noodzakelijk dat je ook iets nieuws kunt ontdekken. Wel denk ik dat dit soort systemen doorontwikkeld kan worden zodat ze als een wetenschappelijke muze werken. Maar ze missen ook nog veel, bijvoorbeeld alles wat natuurkundigen al hebben ontdekt. Nu moeten ze volledig vanaf nul beginnen, alsof je iemand van voor Aristoteles een berg met experimentele data geeft.”

Juist Welling heeft echter een reputatie opgebouwd om bepaalde fysische principes al in het AI-model te stoppen, zodat het model ze niet eerst zelf hoeft te ontdekken. Welling: „Als je een molecuul ronddraait veranderen zijn eigenschappen niet. Dus bouwen we een model dat per definitie begrijpt dat er dan niks verandert. Dat scheelt veel rekenwerk.” Toch moeten we ook de mogelijkheid openhouden dat sommige wetten waarvan menselijke wetenschappers denken dat ze kloppen, verkeerd zijn, en dat AI kan helpen de juiste wetten te vinden. Voorkennis kan ook in de weg staan, zoals bij het ontwerp van Krenns nieuwe quantumexperiment.

Het is duidelijk dat er nog veel ontbreekt voordat een computer de nieuwe Einstein kan worden, met name iets wat Albert Einstein in de eerste helft van de twintigste eeuw zo kenmerkte: een conceptueel nieuwe manier van nadenken over fundamentele concepten als ruimte en tijd, massa en energie. „Kijken op een manier die een paradigma verschuift, zal het lastigste zijn voor machines”, zegt Max Welling, die zelf ooit overstapte van de natuurkunde naar de AI en nu af en toe versteld staat hoe snel AI zijn vruchten afwerpt in de natuurkunde. „Ik wil niet zeggen dat machines niet creatief kunnen zijn, want ze kunnen wel degelijk kennis op verrassende manieren combineren, maar om het niveau van die paradigmaverschuivingen te bereiken moet er nog veel gebeuren. Voorlopig bouwen we AI-instrumenten voor menselijke wetenschappers.”

Kijken op een manier die een paradigma verschuift, zal het lastigste zijn voor machines

Max Welling hoogleraar machinaal leren

Ondanks het feit dat Mario Krenn in zijn Artificial Scientist Lab al experimenteert met babystappen richting een autonome AI-wetenschapper, ziet ook hij nog grote obstakels: „Hoe gaat een machine dat wat hij in het ene geval heeft gevonden generaliseren naar andere gevallen? We hebben nog geen geschikt idee gevonden hoe we dat moeten doen. Maar eerlijk gezegd hebben we ook geen idee hoe mensen dat doen. Ik denk dat er nog talloze menselijke Einsteins zullen komen, voordat de computer de nieuwe Einstein is.”