Kunstmatige intelligentie kun je trainen om razendsnel de atmosfeer van exoplaneten te analyseren. Dat is nodig, want we ontdekken steeds meer planeten die om een andere ster dan onze zon draaien. Inmiddels staat de teller op meer dan 4000. Het idee is nu om een kunstmatige intelligentie eerst zelf exoplaneten te laten ‘bedenken’. Vervolgens laat je hem die nep-planeten in een fractie van een seconde vergelijken met echte waarnemingen. Een veelbelovende technologie, die straks hopelijk weken of maanden rekenen door gewone computers overbodig maakt.
Op mijn telefoonschermpje kijk ik naar een foto van een gewoon persoon. Iemand die je zo op straat zou kunnen tegenkomen. Het enige verschil is dat deze persoon niet bestaat, nooit bestaan heeft en naar alle waarschijnlijkheid ook nooit zal bestaan. Het is een foto ontsproten uit het brein van een computer. Hyperrealistisch, maar feitelijk niet meer dan een waanzinnig complex geordende verzameling gekleurde pixels.
Even daarvoor heb ik tijdens een familieweekend, om half drie ‘s nachts, geprobeerd om supercool uit te leggen dat ik samen met een stagiair van de Haagse Hogeschool bezig ben met een project om met behulp van neurale netwerken spectra van exoplaneten te begrijpen. Waar ik dacht even goede sier te maken met mijn kennis op dit gebied, word ik volledig overbluft door de site This Person Does Not Exist die mijn broertje nonchalant op zijn mobiel tevoorschijn tovert. Ik had het kunnen weten, hij is tenslotte de neurowetenschapper van ons twee.
Voor wie de hype gemist heeft (net als ik dus): op deze site wordt elke keer een unieke foto gegenereerd door een kunstmatige intelligentie. Die heeft zo lang foto’s van echte mensen bestudeerd dat hij nu zelf realistische foto’s van niet bestaande personen kan maken. Een mooi staaltje computertechniek. Vervreemdend, verwarrend en opwindend tegelijk.
Portret van een niet bestaand persoon op de website This Person Does Not Exist. Deze ‘levensechte’ afbeelding is gemaakt door een GAN (generative adversarial network)
Vingerafdruk van exoplaneten
Uiteraard wist ik wel dat dit ongeveer mogelijk was. Tenslotte gebruiken we diezelfde technologie momenteel voor het analyseren van spectra van exoplaneten. Alleen waar deze website zelf foto’s van mensen bedenkt, trainen wij de computer om foto’s van exoplaneten te bedenken. Dus in plaats van dat we een telescoop richten op de exoplaneet om hem waar te nemen, vragen we de computer om te bedenken hoe die waarneming eruit zou kunnen zien. Toch was ik weer verbaasd hoe snel de techniek voortgaat.
Over de samenstelling van de atmosfeer van exoplaneten, planeten die draaien om andere sterren dan onze zon, is nog veel onbekend. En waarom we dat willen weten, kun je hier lezen. Het idee is dat we uiteindelijk een waargenomen spectrum, feitelijk de vingerafdruk van een planeet, aan het neurale netwerk kunnen voorhouden. Als het goed is, krijgen we meteen antwoord op onze vragen over de samenstelling van de onderliggende atmosfeer, de temperatuur en de grootte van de planeet. Zodoende kunnen we een snelle analyse maken van spectra van exoplaneten. Zo’n analyse vereist zonder deze technieken weken of soms wel maanden computerkracht. Zeker als we in de toekomst honderden verschillende vingerafdrukken van exoplaneten gaan krijgen, zijn die veelbelovend.
Impressie van de exoplaneet Beta Pictoris b (Bron: ESA)
Competitie in de computer
Hoe werkt dit nou ongeveer? Het idee achter deze Generative Adversarial Networks (GANs) is grofweg als volgt. Om een neuraal netwerk te trainen, heb je eigenlijk twee netwerken nodig en een heleboel data om van te leren. Een van de twee netwerken is de generator (oftewel: de maker) de andere de discriminator (oftewel: de beoordelaar).
Deze twee netwerken spelen een spelletje dat ze beide proberen te winnen. De generator maakt steeds nieuwe, willekeurige foto’s. De discriminator krijgt steeds een foto te zien en moet dan zeggen of het een werkelijke foto is of eentje gemaakt door de generator. Als hij het fout heeft, wint de generator, als hij het goed heeft de discriminator.
Slim algoritme
Hierachter zit een slim algoritme dat probeert om de prestaties van de beide netwerken zo aan te scherpen dat ze allebei steeds beter worden. In het begin zal de generator vooral onzin maken en heeft de discriminator het niet zo moeilijk. Uiteindelijk winnen ze allebei in de helft van de gevallen. Dit betekent in de praktijk dat de discriminator het verschil niet meer kan zien. In de helft van de keren beoordeelt het netwerk het toevallig goed. Op dat moment is de generator dus blijkbaar waanzinnig goed in het maken van realistische foto’s. Niet van echt te onderscheiden!
Die ontwikkeling kunnen we vervolgens gebruiken om ontbrekende gedeelten van foto’s aan te vullen met door de computer gegenereerde content. De computer heeft inmiddels zoveel foto’s bekeken dat hij zelf kan bedenken welke informatie nog mist. Dit kun je vergelijken met een foto van een mens bij wie de neus ontbreekt. De computer zal aan de hand van de stand van de ogen en de mond ontdekken waar de neus hoort te zitten, en hoe die eruit moet zien.
Precies deze techniek gebruiken we nu in ons onderzoek. Alleen passen we die dan niet toe op foto’s, maar op chemische en fysische computermodellen van exoplaneten. Zo gebruiken wij precies dezelfde software die is ontwikkeld voor fotobewerking of zoeksystemen door grote bedrijven als NVIDIA en Google, voor ons eigen sterrenkundig onderzoek. Hadden ze vast niet gedacht.
Plato: Een illustratie van een exoplaneetsysteem (Bron: ESA)
Nep-planeten
Om de neurale netwerken te trainen voor de spectra van exoplaneten, hebben we uiteraard een goede dataset nodig om van te leren. En juist deze dataset hebben we niet. Daarom gaan we een grote database maken met computermodellen van exoplaneten. Daarin stoppen we alle natuur- en scheikunde die we maar kunnen verzinnen. We variëren dan bijvoorbeeld hoe de planeet gevormd is, hoe groot hij is of hoe warm. Zo’n model doorrekenen kost veel computerkracht.
Het neurale netwerk gaat vervolgens op zoek naar orde in de door ons gecreëerde chaos van planeetmodellen. Zo leert hij zelf exoplaneten ‘bedenken’. Het uiteindelijke doel is dat het neurale netwerk in een fractie van een seconde zo’n bedachte exoplaneet kan vergelijken met een echte waarneming. Veel sneller dan wij kunnen met het berekenen van al die natuur- en scheikunde. En dat werkt al best goed. Deze ontwikkelingen zijn zeker de toekomst bij missies van de nieuwe ruimtetelescoop ARIEL of misschien al wel voor de James Webb Space Telescope.
Fuzzy logic
Dat bedenk ik allemaal terwijl ik naar dat schermpje kijk met die foto van die persoon die niet bestaat, nooit bestaan heeft en nooit zal bestaan. Om half drie ‘s nachts. We pakken er nog maar een glas whiskey bij en spelen een spelletje. Met onze eigen niet-zo-kunstmatige brein.
En ik overpeins waarom we eerst computers ontwikkelen die zoveel beter zijn dan ons eigen brein in sommige taken, en dan veel moeite doen om die computers weer net zo te laten werken als onze eigen hersenen. Straks zijn computers misschien wel in alles beter dan wij. Lossen zij de raadsels van het universum voor ons op terwijl wij tot diep in de nacht whiskey drinken en spelletjes spelen. Een interessante gedachte die, gelukkig, nog wel een stukje in de toekomst ligt.
