人工智慧可以更快地發現新物理，但有一個令人驚訝的問題

研究成果發表在期刊上 宇宙學與天文粒子物理學雜誌 （JCAP），探討了遷移學習如何幫助研究人員研究超越標準宇宙學模型的理論。

人工智慧與新物理學的探索

目前的宇宙學標準模型，稱為ΛCDM，解釋了宇宙的許多大尺度特徵，包括宇宙的膨脹和星系的分佈。然而，科學家認為該模型並不是最終答案。

最近的觀測提出了可能導致新物理學的問題，包括大質量中微子的影響、重力的改變和暗能量的演化。探索這些可能性需要研究人員創建大量詳細的電腦模擬，每個模擬都代表使用不同物理假設構建的虛擬宇宙。

創建這些模擬的計算成本很高，並且通常需要大量的計算能力。

使用遷移學習降低模擬成本

研究人員調查了遷移學習是否可以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。該團隊沒有在最複雜且計算成本最高的模擬上訓練神經網絡，而是首先在基於 ΛCDM 的更簡單的模擬上進行訓練。這個初始階段稱為預訓練，隨後是使用包含新潛在物理的更複雜模型的額外訓練。

「這基本上是一條捷徑，」該研究的作者、熨斗研究所和普林斯頓大學的宇宙學家阿德里安·拜爾解釋道。 “通常人們會直接在最昂貴的計算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 模擬來讓人工智慧了解正在發生的事情，然後轉向更複雜的模型。”

拜耳比較了從教科書中學習的方法。

“你首先閱讀一本基礎書籍來了解其中的知識，”拜爾說，“然後你會轉向真正複雜的書。”

第一作者、普林斯頓大學研究生維娜·克里希納拉傑 (Veena Krishnaraj) 表示，這種策略可以防止人工智慧「一次消化所有內容」。

結果是驚人的。在某些情況下，遷移學習將昂貴的模擬數量減少了十倍以上。

當先驗知識成為問題時

該研究還揭示了一個不太明顯的挑戰，即負移情。

使用拜耳的教科書比較，想像一下透過介紹性文本學習醫學，然後遇到類似常見疾病的罕見疾病。現有的知識通常是有幫助的，但有時會導致錯誤的結論。

人工智慧系統中也會出現同樣的問題。

在某些情況下，新物理學的特徵類似於人工智慧與標準宇宙學模型相關聯的模型。當這種情況發生時，預先訓練的網路可以從已知的角度解釋未知訊息，從而更難檢測真正的新效果。

研究人員在分析涉及大量中微子的模擬時觀察到了這種效應。一些觀察到的與中微子質量相關的特徵與現有的 ΛCDM 參數（稱為 σ8）相關的變化非常相似，該參數測量這種物質在整個宇宙中的豐富程度。

由於這種相似性，預先訓練的神經網路最初很難區分這兩種效果。

「負遷移不是隨機的。它是由模型背後的物理退化引起的，」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正確識別哪個參數負責。

「所以這是我們必須認識到並努力緩解的問題，」他總結道。

未來宇宙學的希望與危險

研究結果強調了將基礎模型概念應用於物理學的好處和限制。這些方法類似於現代人工智慧生成系統和大型語言模型背後的技術。

正如研究人員在論文中指出的那樣，預訓練可以加快推理速度，“但它也會阻礙新物理學的學習。”

到目前為止，該方法僅通過模擬進行了測試。下一步將是將其應用於真實的天文觀測。

團隊相信，遷移學習可能成為宇宙學調查的重要工具，在未來幾年將獲得前所未有的高精度數據。

Veena Krishnaraj、Adrian E. Bayer、Christian Kragh Jespersen 和 Peter Melchior 撰寫的論文「超越標準模型的遷移學習」現已發布。 是。