人工智慧已經在幫助宇宙學家研究宇宙方面發揮關鍵作用。現在，新的研究表明，一種稱為遷移學習的機器學習技術可能會讓發現新物理學變得更容易。它更快更便宜。然而，這項研究也揭示了一個令人驚訝的缺點：人工智慧有時會過度依賴它已經學到的東西，以至於很難識別任何真正的新東西。
該研究發表於 宇宙學與天文學粒子物理學雜誌 （J帽）研究了遷移學習如何幫助研究人員研究標準宇宙學模型之外的理論。
人工智慧和對新物理學的探索
目前的宇宙學標準模型稱為ΛCDM，成功地解釋了宇宙的許多大尺度特徵。包括星系的膨脹和分佈。但科學家認為這個模型並不是最終的答案。
最新的觀察提出了可能指向新物理學的問題。包括大質量中微子的影響。修正重力和暗能量的發展探索這些可能性需要研究人員創建極其詳細的電腦模型。每個模型代表一個使用不同物理假設建構的虛擬宇宙。
創建這些模型的計算成本很高，並且通常需要大量的計算能力。
使用遷移學習來降低模擬成本。
研究人員研究了遷移學習是否會使這個過程更有效率。
遷移學習允許人工智慧系統將從一項任務中獲得的知識應用於另一項相關任務。相反，在最複雜且計算成本最高的模擬上訓練整個神經網路。團隊首先使用 ΛCDM 對神經網路進行更簡單的模擬訓練。這個初始階段稱為預訓練。隨後使用更複雜的模型進行進一步訓練。這包括潛在的新物理學。
「這基本上是一條捷徑，」該研究的合著者、熨斗研究所和普林斯頓大學的宇宙學家阿德里安·拜爾（Adrian Bayer）說。 「通常情況下，人們直接在最昂貴的模擬上訓練人工智慧。我們所做的是首先使用更簡單、更便宜的 ΛCDM 模擬，讓人工智慧了解正在發生的事情。然後才轉向更複雜的模型。”
拜耳將學習方法與課本進行比較
“你必須先閱讀基礎書籍才能理解知識，”拜爾說，“然後再轉向真正複雜的書籍。”
第一作者、普林斯頓大學本科生 Veena Krishnaraj 表示，這種策略可以防止人工智慧「一次消化所有內容」。
結果令人震驚：在某些情況下，遷移學習將所需的昂貴模擬數量減少了十倍以上。
當先前的知識成為問題時
該研究還揭示了一個不明確的挑戰，稱為負遷移。
使用拜耳教科書中的類比。想像一下從介紹性文本中學習醫學。然後遇到與常見症狀具有相似特徵的罕見疾病。現有的知識通常是有幫助的。但有時它會鼓勵錯誤的結論。
同樣的問題也可能發生在人工智慧系統中。
在某些情況下，新物理學的特徵類似於人工智慧已經與標準宇宙學模型連結的模式。當這種情況發生時，預先訓練的網路可能會透過它已知的資料來解釋不熟悉的資料。這使得人們很難真正認識到新的影響。
研究人員在研究包含大中微子的模擬時看到了這種效應。一些與中微子質量相關的觀測特徵類似於與現有的 ΛCDM 參數（稱為 σ8）相關的變化，該參數衡量星團在整個宇宙中的重要性。
由於這種相似性，訓練有素的神經網路很難區分這兩種效果。
「負轉移不是隨機的。它是由模型中隱藏的物理惡化驅動的，」克里希納拉傑說。
換句話說，不同的物理過程可以產生非常相似的可觀察特徵。這使得人工智慧很難準確地確定哪些參數負責。
「這是我們需要意識到並努力緩解的問題，」她總結道。
未來宇宙學的承諾與風險
這些發現強調了將基本模型概念應用於物理學的潛在好處和限制。這些方法與現代人工智慧系統和大規模語言模型背後的技術具有廣泛的相似性。
正如研究人員在報告中所述，預訓練可以加快推理速度。 “但這也可能成為學習新物理學的障礙。”
到目前為止，此類方法僅透過模擬進行測試。下一步是將其應用到實際的天文觀測中。
團隊認為，遷移學習可能成為即將到來的宇宙學探索的重要工具。預計它將在未來幾年收集前所未有的大量關於宇宙的高精度數據。
Veena Krishnaraj、Adrian E. Bayer、Christian Kragh Jespersen 和 Peter Melchior 撰寫的文章「超越標準模型的遷移學習」現已發佈在 www.transferlearning.com 上。 是。
