人工智能在帮助宇宙学家研究宇宙方面已经发挥了主要作用。现在，新的研究表明，一种名为迁移学习的机器学习技术可以使新物理学的搜索变得更快、更便宜。然而，这项研究还揭示了一个令人惊讶的缺点：人工智能有时会因过于依赖其已学到的知识而难以识别真正的新事物。这项研究发表在《宇宙学与天体粒子物理学杂志》(JCAP)上，考察了迁移学习如何帮助研究人员调查超越标准宇宙学模型的理论。人工智能与新物理学的探索当前标准的宇宙学模型，被称为ΛCDM，成功解释了宇宙的许多大尺度特征，包括其扩展和星系的分布。然而，科学家认为这个模型并不是最终答案。最近的观察提出了一些问题，可能指向新物理学，包括大型中微子的影响、修正重力和演化的暗能量。探索这些可能性需要研究人员生成大量详细的计算机模拟，每个模拟代表一个基于不同物理假设建立的虚拟宇宙。生成这些模拟在计算上成本高昂，通常需要大量的计算能力。使用迁移学习减少模拟成本研究人员调查了迁移学习是否可以使这个过程更高效。迁移学习允许人工智能系统将从一个任务中获得的知识应用到另一个相关任务。团队并没有完全在最复杂和计算成本最高的模拟上训练神经网络，而是首先在基于ΛCDM的较简单模拟上进行训练。这一初始阶段称为预训练，随后进行了使用更复杂模型的额外训练，这些模型包括潜在的新物理学。“这基本上是一个捷径，”弗拉特铁工所和普林斯顿大学的宇宙学家、研究共同作者阿德里安·贝耶（Adrian Bayer）解释道。“通常，人们直接在最计算成本高的模拟上训练人工智能。我们所做的，是先使用更简单和较便宜的ΛCDM模拟让人工智能了解正在发生什么，然后再转向更复杂的模型。”贝耶将这种方法比作从教科书中学习。“你首先阅读一本基础书以了解知识，”贝耶说，“然后再转到真正复杂的书。”根据第一作者、普林斯顿大学的本科生维娜·克里什纳拉杰（Veena Krishnaraj）的说法，这种策略可以防止人工智能“一次性消化所有内容”。结果引人注目。在某些情况下，迁移学习将所需的昂贵模拟数量减少了十倍以上。先前知识成为问题该研究还揭示了一个不太明显的挑战，称为负迁移。使用贝耶的教科书比喻，想象从一本入门书学习医学，然后遇到一种与常见疾病极为相似的罕见病。现有知识通常是有帮助的，但有时也会导致错误的结论。在人工智能系统中也可能出现同样的问题。在某些情况下，新物理学的特征与人工智能已经将其关联到标准宇宙学模型的模式相似。当这种情况发生时，预训练网络可能会通过其已知的信息的透镜来解释不熟悉的信息，使得更难识别真正的新效应。研究人员在研究包含大中微子的模拟时看到了这种效应。一些与中微子质量相关的观测特征与现有的ΛCDM参数σ8（用于衡量物质在宇宙中聚集的强度）相关的变化非常相似。由于这种相似性，预训练的神经网络最初很难分辨这两种效应。“负迁移不是随机的，它是由模型中潜在的物理简并性驱动的，”克里什纳拉杰说。换句话说，不同的物理过程可以产生非常相似的可观测特征，使得人工智能难以正确识别出哪个参数是负责的。“所以这是我们需要注意并努力解决的问题，”她总结道。未来宇宙学的前景与风险这些发现突显了将基础模型概念应用于物理学的潜在收益和限制。这些方法在精神上与现代生成性人工智能系统和大型语言模型背后的技术具有很大的相似性。正如研究人员在论文中指出，预训练可以加快推理，“但可能也会阻碍学习新物理学。”到目前为止，这种方法仅在模拟中进行了测试。下一步将是将其应用于真实的天文观测。团队相信，迁移学习可能成为即将到来的宇宙学调查的重要工具。