Claude Science maakt eerste complete UV-kaart van de hemel
Volgens Anthropic heeft zijn systeem Claude Science iets opgeleverd wat astronomen nog niet hadden: een kaart van de hele hemel in ultraviolet licht. Brice Ménard, astrofysicus aan Johns Hopkins, beschrijft het project op de website van Anthropic. Het bedrijf presenteert het als voorbeeld van AI die het trage, repetitieve datawerk overneemt waar onderzoekers vaak nooit de tijd voor vinden.
Het resultaat is op zichzelf al interessant. Het laat ook goed zien welke plek AI-agents vandaag de dag in wetenschappelijk werk innemen.
Waarom de ultraviolette hemel nooit volledig in kaart is gebracht
Ultravioletwaarnemingen tonen materie die bij andere golflengtes onzichtbaar kan blijven. In UV zien astronomen stof dat door sterrenlicht wordt verlicht. Denk aan wolken rond jonge sterren en aan de ringen die sterexplosies achterlaten.
Het probleem zit in het verzamelen van de gegevens. De ozonlaag van de aarde houdt UV-licht tegen, waardoor telescopen op de grond het niet kunnen opvangen. Elke meting moet van instrumenten in de ruimte komen, en dat beperkt de hoeveelheid beschikbare data flink.
De GALEX-missie van NASA heeft tot nu toe het meest omvattende werk gedaan en bestreek ongeveer twee derde van de hemel. Heldere stervormingsgebieden bleven daarbij buiten beschouwing, waardoor er grote gaten in het UV-beeld van de hemel bleven bestaan. Tot dit project had niemand een volledige kaart.
Hoe Claude Science de kaart samenstelde
Claude Science coördineert een groep AI-agents, en het werk was opgedeeld in drie hoofdtaken:
- De data verzamelen. De agents downloadden waarnemingen van verschillende ruimtemissies.
- De data kalibreren. Gegevens van verschillende instrumenten moeten eerst worden bijgesteld voordat je ze kunt vergelijken, en die stap namen de agents voor hun rekening.
- De data samenvoegen. De gekalibreerde datasets werden gecombineerd tot één kaart.
Daarna bleven er nog gaten over op plekken waar geen bruikbare waarnemingen bestonden. Om die op te vullen gebruikten de agents inpainting. Bij die techniek leert een model van de beschikbare data en reconstrueert het vervolgens wat er in de ontbrekende gebieden waarschijnlijk te zien is.
Volgens het verslag heeft het team getest hoe goed dat werkte. Gemiddeld weken de voorspelde waarden zo'n tien procent af van echte metingen. Dat cijfer is belangrijk. De opgevulde delen zijn onderbouwde schattingen, geen directe waarnemingen, en wie de kaart gebruikt, moet dat verschil in het achterhoofd houden.
Een kaart voor het onderwijs
Het uitgesproken doel is bescheiden. De kaart is bedoeld als lesmateriaal, niet als vervanging van gerichte waarnemingen. Die insteek past bij de foutmarge: een gemiddelde afwijking van tien procent is prima om studenten de structuur van de UV-hemel te laten zien, maar voor precisieonderzoek blijven echte metingen nodig.
Het bredere punt van Ménard is misschien belangrijker dan de kaart zelf. Hij vermoedt dat veel wetenschappers zulke projecten op de plank hebben liggen. Klussen die de moeite waard zijn, maar zoveel downloaden, opschonen en aan elkaar knopen van data vergen dat niemand eraan toekomt. AI-agents zouden een deel van dat werk volgens hem nu haalbaar kunnen maken.
Het patroon achter het project
Dit past in een bredere beweging waarbij taalmodellen worden ingezet als onderzoeksassistent. Opensourceprojecten zoals BootLoops, een harnas dat Claude in een labinstrument verandert, wijzen dezelfde kant op. Dat geldt ook voor projecten die voortbouwen op grote openbare wetenschappelijke archieven, zoals het maanfundamentmodel van NASA en IBM. Allemaal proberen ze een grote, rommelige berg wetenschappelijke data om te zetten in iets waar onderzoekers mee aan de slag kunnen.
Onze kijk
De UV-kaart is een bescheiden resultaat, en juist dat maakt hem overtuigend. Het project claimt geen nieuwe natuurkunde. Het laat zien hoe agents het loodgieterswerk met data oppakken dat echt onderzoek vertraagt: bestanden opsporen, instrumenten op elkaar afstemmen en datasets samenvoegen. Voor wie AI-agents volgt, wijst dit erop dat hun meest praktische waarde voor de wetenschap op korte termijn ligt in het wegwerken van achterstanden, niet in het vervangen van wetenschappers.
De afwijking van tien procent herinnert er ook aan dat gereconstrueerde data onzekerheid met zich meebrengt. Nu er steeds meer door AI gebouwde datasets verschijnen, is het de moeite waard om te volgen of teams hun foutmarges net zo duidelijk melden als dit team deed. Een verwante vraag is hoe ze gereconstrueerde gebieden gaan markeren, zodat latere gebruikers schattingen van metingen kunnen onderscheiden.
De volgende toets is of onderzoekers van buitenaf de suggestie van Ménard oppakken en vergelijkbare agentworkflows inzetten voor hun eigen uitgestelde projecten. Zulke onafhankelijke resultaten zouden laten zien of dit een herhaalbare methode is of een goed gekozen paradepaardje.