Изкуственият интелект може да ускори търсенето на нова физика, но има един неочакван нюанс

Изкуственият интелект вече играе важна роля в изследването на Вселената от космолозите. Ново проучване предполага, че методът на машинно обучение, наречен „трансферно обучение“ може да направи търсенето на нова физика значително по-бързо и по-евтино. Въпреки това, проучването разкри неочакван недостатък: AI може да разчита толкова силно на вече придобитите знания, че започва с трудност да разпознава наистина нови явления.

Изследването, публикувано в Journal of Cosmology and Astroparticle Physics проучва как трансферното обучение може да помогне на учените в изследването на теории, излизащи извън рамките на стандартния космологичен модел. Стандартният модел на космологията, известен като ΛCDM успешно обяснява много от мащабните характеристики на Вселената, включително нейното разширяване и разпределението на галактиките. Въпреки това учените смятат, че този модел не е окончателният отговор. Неотдавнашни наблюдения повдигнаха въпроси, които могат да сочат към нова физика, включително ефектите на масивните неутрино, модифицираната гравитация и еволюиращата тъмна енергия. Изследването на тези възможности изисква от изследователите да генерират огромно количество детайлни компютърни симулации, всяка от които представя виртуална вселена, изградена върху различни физични предположения. Създаването на такива симулации изисква огромна изчислителна мощност и е скъпо.

Учените проучиха дали трансферното обучение може да направи този процес по-ефективен. Тo позволява на системата s изкуствен интелект да приложи знанията, придобити при решаването на една задача към друга, свързана с нея задача. Вместо да обучава невронната мрежа изключително на най-сложните и скъпи симулации, екипът първо я обучи на по-прости симулации, базирани на модела ΛCDM. Този начален етап, известен като предварително обучение, беше последван от допълнително обучение с използване на по-сложни модели, включващи потенциална нова физика. Едриан Байер, космолог от Института Флетайрон и Принстънския университет i съавтор на изследването сравнява този подход с изучаването на материала по учебници.

Според първата авторка на проучването, Вина Кришнарадж, студентка в Принстънския университет тази стратегия не позволява на AI „да се опитва да усвои всичко наведнъж“. Резултатите се оказаха впечатляващи. В някои случаи трансферното обучение намали броя на необходимите скъпоструващи симулации повече от 10 пъти.

Изследването обаче разкри и един по-малко очевиден проблем, известен като отрицателен трансфер. Използвайки аналогията на Байер с учебниците, представете си, че изучавате медицина по въвеждащ текст, а след това се сблъсквате с рядко заболяване, което много прилича на широко разпространено. Наличните знания обикновено са полезни, но понякога могат да подведат към погрешен извод. Същият проблем може да възникне и в AI системите. В някои случаи признаците на нова физика наподобяват шаблони, които AI вече е свързал със стандартния космологичен модел. Когато това се случи, предварително обучената мрежа може да интерпретира непознатата информация през призмата на вече известното, което затруднява разпознаването на наистина нови ефекти. Изследователите наблюдаваха този ефект при изучаването на симулации, включващи масивни неутрино. Някои наблюдаеми признаци, свързани с масата на неутриното много приличат на промените, свързани със съществуващия в ΛCDM параметър, наречен σ8, който измерва колко силно се сгъстява материята във Вселената. Поради тази прилика предварително обучената невронна мрежа първоначално с трудност различаваше тези два ефекта.

Резултатите подчертават както потенциалните предимства, така и ограниченията при прилагането на концепциите на фундаменталните модели във физиката. Тези подходи до голяма степен са сходни по дух с методите, лежащи в основата на съвременните генеративни AI системи и големите езикови модели. Както отбелязват изследователите в статията, предварителното обучение може да ускори изводите, „но също така може да попречи на изучаването на нова физика“. Засега методът е тестван само върху симулации. Следващата стъпка ще бъде прилагането му към реални астрономически наблюдения. Екипът счита, че трансферното обучение може да се превърне във важен инструмент за бъдещи космологични обзори, които, както се очаква, ще съберат безпрецедентни обеми високоточни данни за Вселената през следващите години.