Natuurkundige laat AI rekenmethodes tussen vakgebieden uitwisselen: 36 artikelen in drie maanden
Harvard-natuurkundige Matthew Schwartz gaf het AI-model Claude problemen die passen bij wat AI nu goed kan. Met 19 collega's leverde dat in drie maanden 36 wetenschappelijke artikelen op, van zonnevlekken tot regenwoud. Experts bleven daarbij onmisbaar.
Wetenschappers werken meestal diep in één vakgebied. Een natuurkundige leest zelden de vakbladen van ecologen of taalkundigen. Toch gebruiken die vakgebieden soms precies dezelfde wiskunde. Een rekentruc die in het ene vak al jaren bekend is, kan in het andere vak een open vraag oplossen. Maar zo'n sprong komt zelden voor, omdat niemand alle vakgebieden tegelijk kent.
De Amerikaanse natuurkundige Matthew Schwartz van Harvard wilde weten of AI daarbij kan helpen. Hij werkte een tijd als gastonderzoeker bij AI-bedrijf Anthropic en schreef op 1 oktober 2026 op de site van Anthropic over de resultaten. Samen met 19 collega's en het AI-model Claude werkte hij in drie maanden aan 36 wetenschappelijke artikelen, verspreid over 18 vakgebieden.
Problemen op maat van de AI
Schwartz probeerde eerst Claude als een soort onderzoeksassistent te gebruiken. Dat werkte matig: het model had voortdurend bijsturing nodig. Daarom draaide hij het om. Hij zocht problemen die passen bij waar AI nu al sterk in is: enorm veel vakkennis, goed programmeren en snel artikelen en gegevens doorlezen. Zulke problemen noemt hij "Claude-vormig".
Hij begon in zijn eigen vak, de deeltjesfysica. Natuurkundigen gebruiken daar ingewikkelde berekeningen om te begrijpen wat er gebeurt bij botsingen van deeltjes, zoals in de deeltjesversneller van CERN. De methodes daarvoor zitten verspreid over veel artikelen en programma's. Claude bouwde ze samen tot één gereedschapskist. Daarmee rekende het model 30 van zulke berekeningen helemaal door. De helft daarvan was nog nooit eerder uitgerekend.
Van deeltjes naar bomen en zonnevlekken
Daarna zag Claude dat soortgelijke wiskunde ook in andere vakgebieden voorkomt. Uit zo'n 400 mogelijke problemen kozen Schwartz en vakexperts de interessantste. Een paar voorbeelden:
- Regenwoud: op een eiland in Panama blijkt de mix van boomsoorten 4,5 keer sneller te veranderen dan een bekende theorie uit de ecologie voorspelt. Samen met een ecoloog bouwde het team een beter model.
- Zonnevlekken: het team bekeek alle zonnevlekken die sinds 1874 zijn vastgelegd met de methode die artsen en demografen gebruiken om sterftekansen bij mensen te berekenen. Zo blijkt dat zonnevlekken als het ware verouderen: hoe langer ze bestaan, hoe groter de kans dat ze verdwijnen.
- Erfelijkheid: in 5,7 miljard paren van mutaties uit een grote internationale DNA-database vond het team aanwijzingen voor een proces dat veel analyses over het hoofd zien.
- Taal: een database met de klemtoonregels van 6.072 talen.
- Economie: een AI-hulpmiddel dat de rekenbestanden achter 4.452 economische artikelen opnieuw liet draaien, om te controleren of de gepubliceerde cijfers kloppen.
Het gereedschap heet BootLoops en is gratis te gebruiken en aan te vullen. Het werkt ook met AI-modellen van andere bedrijven.
Kanttekeningen en vervolgstappen
Schwartz is open over de beperkingen. Veel vondsten in vakgebieden buiten zijn eigen vak klopten technisch wel, maar waren pas interessant nadat experts uit dat vak de vraag hadden aangescherpt. Volgens hem roept Claude ook graag te snel dat iets gelukt is. Daarom liet hij het model zijn uitkomsten steeds uitleggen, tot hij ze zelf geloofde. In vakgebieden die hij minder goed kent, vond hij het lastiger om te zien wanneer het model te enthousiast was. Daarom haalde hij er experts bij.
Een deel van de artikelen wordt nog gecontroleerd. De 36 artikelen zijn voorpublicaties, die nog door vakgenoten worden beoordeeld. De volgende stap is dat andere onderzoekers het gereedschap op hun eigen vragen loslaten.
Wat betekent dit voor de weg naar de singulariteit?
Dit project laat zien waar AI de wetenschap nu al kan versnellen: niet door de wetenschapper te vervangen, maar door kennis uit het ene vak naar het andere te brengen. Een AI-model heeft de vakliteratuur van heel veel vakgebieden gelezen en ziet daardoor verbanden die voor één specialist buiten beeld blijven. Georgia Channing van AI-bedrijf Hugging Face zei tegen het blad Science dat natuurkundigen zelden maanden besteden aan het lezen van bijvoorbeeld taalkunde om daar methodes uit te halen. Juist daarom zijn zulke sprongen tussen vakgebieden zo zeldzaam.
Eerder liet WATTBA al zien dat AI-agents zelfstandig zwaar rekenwerk uit de theoretische natuurkunde kunnen doen. Het werk van Schwartz zet de volgende stap: dat rekenwerk over de grenzen van vakgebieden heen inzetten. De mens kiest welke vragen ertoe doen, de AI zoekt het gereedschap erbij. Als die samenwerking groeit, kunnen ontdekkingen die vroeger toeval waren, gewoon worden.
