Hoe een astrofysicus met hulp van Codex zwarte gaten simuleert

De zwaartekracht rond een zwart gat is zo extreem dat niets, zelfs licht niet, kan ontsnappen zodra het dichtbij genoeg komt. Astrofysici zoals Chi-kwan Chan bestuderen zwarte gaten met computersimulaties en waarnemingen. Maar de huidige algoritmen en beschikbare rekenkracht beperken hoe realistisch die simulaties kunnen zijn.

Met Codex pakt Chan, onderzoeker aan de Universiteit van Arizona en het Steward Observatory, dit probleem aan.

Zwarte gaten behoren volgens hem tot de beste plekken om Einsteins algemene relativiteitstheorie te toetsen. Die theorie biedt op dit moment de beste verklaring voor zwaartekracht: het is geen kracht die objecten naar elkaar toe trekt, maar het gevolg van massa en energie die de ruimtetijd krommen.

Chan maakt deel uit van het internationale samenwerkingsverband Event Horizon Telescope (EHT), dat in 2019 de eerste afbeelding van een zwart gat publiceerde. Het team verzamelt momenteel waarnemingen om de eerste video van een superzwaar zwart gat te maken. Daarbij richt het zich op het zwarte gat in het centrum van het sterrenstelsel M87. 

Maar om waarnemingen om te zetten in wetenschappelijk inzicht zijn enorme hoeveelheden gegevensverwerking, grootschalige rekenprocessen en simulaties nodig die enkele van de extreemste natuurkundige verschijnselen in het heelal kunnen modelleren.

Omdat licht niet aan een zwart gat kan ontsnappen, bestuderen wetenschappers in plaats daarvan het gebied eromheen: de waarnemingshorizon, een grens waar voorbij materie niet meer kan ontsnappen. "Het is een oppervlak waar voorbij geen weg terug meer is", zegt Chan. Materie die vlak buiten deze grens rondwervelt, zendt licht uit dat astrofysici kunnen zien, meten en simuleren. 

De afbeelding die de EHT in 2019 publiceerde, toonde de schaduw van een zwart gat, omgeven door gloeiend plasma bij de waarnemingshorizon. Chan hielp bij de ontwikkeling van de simulatie- en rekentools waarmee het team de waarnemingen interpreteerde. Sindsdien hebben Chan en zijn collega's hun instrumenten en waarnemingsmogelijkheden verder verbeterd, terwijl het team toewerkt van stilstaande beelden naar video's.

Het probleem van spiraalbewegingen aanpakken

Een van de grootste obstakels voor Chan en zijn team is het modelleren van het plasma rond zwarte gaten. Plasma is extreem verhitte materie die bestaat uit elektrisch geladen elektronen en ionen.

In veel simulaties vereenvoudigen wetenschappers plasma door het als een vloeistof te behandelen. Met bekende vergelijkingen modelleren ze hoe het rond een zwart gat beweegt. Dat werkt redelijk goed bij plasma met een hogere dichtheid, waarin de elektronen en ionen voortdurend met elkaar botsen. 

Maar bij de superzware zwarte gaten die Chan en zijn collega's bestuderen, wordt het plasma op sommige plekken zo heet en ijl dat de deeltjes elkaar zelden tegenkomen. "Ze botsen eigenlijk niet met elkaar", zegt hij. In plaats daarvan bewegen de deeltjes vooral in spiralen rond magnetische veldlijnen. 

Om dat gedrag correct te modelleren, moeten onderzoekers biljoenen elektronen en ionen volgen die zich met grote snelheid in kurkentrekkerbanen rond een zwart gat bewegen. Standaardsimulaties moeten elk minuscuul rondje berekenen, waardoor computers extreem kleine tijdstappen moeten nemen.

Daardoor kunnen zelfs de snelste supercomputers ter wereld het grootste deel van hun tijd kwijt zijn aan het berekenen van deze minuscule deeltjesbewegingen, in plaats van het gedrag op grotere schaal te simuleren dat wetenschappers eigenlijk willen bestuderen.

"Dit beperkt al tientallen jaren hoe realistisch we plasma rond zwarte gaten kunnen simuleren", zegt Chan.

Met AI een betere digitale tweeling bouwen

Chan vermoedde dat nieuwe wiskundige technieken konden helpen om sommige van deze beperkingen te omzeilen. Het basisidee was om wiskundig te veranderen hoe de simulatie deeltjesbewegingen bijhield, zodat de computer niet meer elke kleine spiraal rechtstreeks hoefde te volgen.

"Maar het zou enorm veel tijd hebben gekost om alle wiskundige mogelijkheden met de hand te verkennen", zegt Chan. Daarom schakelde hij Codex in om mogelijke algoritmen af te leiden en die aan bekende oplossingen te toetsen.

Codex genereerde veel mogelijke benaderingen, die niet allemaal correct waren. "Maar dat is niet erg", zegt Chan. "De meeste wetenschappelijke ideeën werken niet. Het gaat erom dat je deze algoritmen kunt toetsen. Zodra je er een vindt dat werkt, kan dat simulaties mogelijk maken die voorheen onmogelijk waren." 

Sommige AI-systemen geven resultaten zonder te laten zien via welke stappen ze tot hun conclusies zijn gekomen. Maar de onderzoeksgroep van Chan gebruikt Codex om numerieke methoden voor te stellen en te implementeren die de onderzoekers kunnen doorgronden, toetsen en natuurkundig begrijpen.

Grote taalmodellen maken nog steeds fouten en veel wetenschappers blijven voorzichtig met het gebruik van AI in onderzoek. Toch denkt Chan dat wetenschap misschien wel een van de beste toepassingen is voor de huidige AI-systemen, juist omdat wetenschappelijke ideeën grondig kunnen worden getoetst.

"We accepteren een idee niet omdat het van Einstein, een slimme student of een AI-model komt", zegt hij. "We accepteren het pas nadat we het herhaaldelijk hebben getoetst."

Chan ziet AI als een hulpmiddel waarmee onderzoekers meer ideeën kunnen verkennen, ze sneller kunnen toetsen en sneller ontdekkingen kunnen doen, met verificatie en reproduceerbaarheid als blijvende basis.

Als de benaderingen die Chan met Codex test succesvol blijken, zouden de nieuwe algoritmen wetenschappers uiteindelijk in staat kunnen stellen om biljoenen deeltjes rond zwarte gaten te simuleren. Daarmee zouden onderzoekers natuurkundige verschijnselen kunnen bestuderen die al tientallen jaren buiten hun bereik liggen.