L’AI interroga l’astrofisica sulle traiettorie della ricerca

Mai nelle storia sono arrivati così tanti dati dallo Spazio. Gli studiosi discutono su come usare l’intelligenza artificiale

Nasa da anni ha satelliti che osservano la Luna con altissima precisione, producendo una massa di dati che è oramai sconfinata.

Il satellite Lro, Lunar Reconnaisance Orbiter, operativo dal 2009 attorno alla Luna, ha una risoluzione che può arrivare a 0,5 metri per pixel, permettendo quindi di vedere massi, crateri minori; misura anche le altezze relative delle singole regioni inquadrate, con una precisione in verticale di 10 centimetri.

Ha prodotto ben oltre un petabyte di dati scientifici e il suo archivio omogeneo sembra proprio perfetto per provare l’applicazione dell’AI all’astrofisica planetaria. Per questo, Nasa e Ibm hanno sviluppato insieme un modello di intelligenza artificiale open source.

Lo scopo è di aiutare tecnici e ricercatori a mappare crateri, individuare strutture vulcaniche e studiare le aree polari, dove potrebbe trovarsi ghiaccio d’acqua. L’altro obiettivo è capire se siamo già in grado di usare la AI, se non per effettuare nuove scoperte, almeno per ridurre tempi, costi e lavoro ripetitivo dei ricercatori.

Occorre dire che, nel caso di Lro, i dati sono tutti omogenei. Nel caso del più importante telescopio spaziale oggi in operazione, James Webb Space Telescope (Jwst), vengono generati mediamente fino a una sessantina di gigabyte di dati scientifici al giorno, ossia dell’ordine di 20 terabyte l’anno. Dall’altra parte il nuovissimo Vera Rubin Observatory, che funziona grazie alla più grande camera fotografica esistente, con una risoluzione di 3.200 megapixel, cioè 3,2 miliardi di pixel, genera circa 20 Terabyte a notte — grosso modo 5 Petabyte (Pb) l’anno — e nel decennio il telescopio dell’Osservatorio Rubin produrrà da 60 Pb di immagini grezze, fino a 500, Pb considerando tutti i dati elaborati.

Questi due casi sono agli estremi: Jwst è accessibile ai singoli ricercatori, dopo una lunga trafila di lavoro di proposta e severa selezione, il secondo è del tutto inaccessibile ai singoli, che possono ovviamente fruire dei risultati finali già processati.

«In effetti il singolo ricercatore è spesso propenso a usare i suoi criteri per passare dal dato grezzo, raw data, al dato usabile» dice Roberto Ragazzoni, presidente dell’Istituto Nazionale di Astrofisica. Occorre poi ricordare che gli astrofisici non sono interessati alle immagini “belle”, che giustamente vengono mostrate al pubblico, ma a quelle in cui ogni singolo pixel ci informa di quanta luce è stata immagazzinata in quella posizione piccolissima. Togliere ogni possibile rumore dovuto alla strumentazione o altro è fondamentale, specie quando si esaminano oggetti debolissimi, e ognuno ha la sua ricetta. Il secondo esempio, quello del Vera Rubin è invece all’opposto, l’ideale per provare a utilizzare metodi e modi dell’AI.

«Il punto vero – continua Ragazzoni – è che dobbiamo d’ora in avanti progettare la nuova strumentazione pensando già all’utilizzo dell’AI». Il problema che sottolinea è quello dell’expertise del ricercatore che progetta, che deve essere preesistente all’idea da realizzare, e questo si porta dietro tutto il discorso della formazione.

Insomma, l’adozione dell’AI in astrofisica sembra il viale per il Paradiso, ma certamente è costellato da mille insidie, dovute anche alla banalizzazione dell’uso di questi sistemi propagandata dai media, mentre sono solo poche applicazioni verticali, programmazione e matematica per esempio, che hanno oggi un vantaggio vero e quasi immediato.

Da una parte i Large Language Models (Llm), stanno diventando capaci di progettare e scrivere interi articoli scientifici, oggi non buoni ma è pensabile che la qualità migliorerà anche in breve tempo, dall’altra, come abbiamo appena visto, la produzione dei dati astronomici è sempre più professionalizzata e separata dal lavoro degli astronomi.

Oggi, con facilità, si ottengono dai sistemi AI buone informazioni e si può pensare di usarli per compiti ripetitivi, ma da questo a pensare, ad esempio, che il lavoro degli studenti, anche di dottorato, diventerà “inutile” ce ne passa proprio tanta di acqua.

«Effettivamente seguire un giovane ricercatore richiede tempo e disponibilità, ma il fine deve essere quello di formare una nuova generazione di astrofisici, idealmente anche migliori di noi» continua Ragazzoni. D’altronde dire che una Llm “fa meglio” di uno studente, come si sente già dire a volte, è concettualmente un errore micidiale: lo studente è lì per imparare, formarsi e, in prospettiva, migliorare la conoscenza dell’astrofisica.

Certo con l’uso dell’AI è incentivata la tentazione di “fare presto”, “produrre”, “pubblicare lavori scientifici”, parole d’ordine che sono oggi purtroppo spesso la cifra di una ricerca scientifica che rischia di perdere la bussola.

D’altra parte, l’AI potrebbe facilmente pubblicare da sé stessa, diciamo così, una quantità tale di articoli scientifici che nessun umano potrebbe mai leggere, e comunque se è vero che la conoscenza esiste solo se pubblicata è anche vero che nel mondo del metodo scientifico, gli Llm non possono essere autori, semplicemente perché non possono assumersi la responsabilità di quanto è scritto.

David Hogg, cosmologo che lavora fra l’Università di New York e il Centro Max Planck di Heidelberg, mette in luce due possibili soluzioni, entrambe sbagliate: lasciar fare tutta la ricerca agli Llm di nuova generazione, escludendo l’umano, o proibirli del tutto, situazione ovviamente impossibile. Prima di decidere come integrare gli Llm nell’astrofisica, conclude Hogg molto saggiamente, dobbiamo chiarire perché facciamo astrofisica e quali valori vogliamo preservare.