本研究中使用的《堂吉诃德》模拟的两幅图像。这些面板展示了宇宙的同一区域，但采用了不同的宇宙学模型。上图对应标准的ΛCDM模型，而下图展示了一个包含大质量中微子和修正引力的宇宙。差异很细微，但它们揭示了基础物理的变化如何影响宇宙结构的形成和分布。图片来源：弗朗西斯科比利亚埃斯库萨纳瓦罗

根据发表在《宇宙学与天体粒子物理学杂志》（JCAP）上的一项新研究，人工智能可以让寻找新物理定律的过程变得更便宜、更快捷。但该研究也指出了一个意想不到的缺点。在某些情况下，人工智能可能会过于依赖之前的训练，以至于难以识别真正的新现象。

AI已成为宇宙学领域的重要工具，帮助研究人员分析关于宇宙的海量数据。然而，研究超越当前被称为ΛCDM的标准宇宙学模型的想法，仍然是一项计算成本极高的挑战。

ΛCDM模型成功解释了宇宙的许多观测特征，包括宇宙膨胀和星系的大尺度分布，但科学家们认为它并未揭示全部真相。多项观测结果表明，如大质量中微子、修正引力和演化暗能量等现象，可能揭示现有模型之外的物理规律。

探索这些可能性需要研究人员生成大量详细的虚拟宇宙模拟，每一个都基于不同的物理假设。制作这些模拟通常需要巨大的计算能力和时间。

迁移学习允许人工智能系统将从一项任务中获得的知识应用到另一项任务中，以帮助其更高效地学习。人工智能不会从零开始，而是基于已有的知识进行构建。

在这项研究中，研究团队首先利用基于ΛCDM的模拟训练了一个神经网络。这个初始训练过程被称为预训练，为人工智能打下了基础，之后再让它接触包含可能的新物理的更复杂宇宙学模型。

这基本上是个捷径，普林斯顿大学和熨斗研究所的宇宙学家、该研究的合著者阿德里安拜尔解释道。通常人们会直接在计算成本最高的模拟上训练人工智能。而我们的做法是，先使用更简单、成本更低的ΛCDM模拟让人工智能了解正在发生的事情，之后才转向更复杂的模型。

拜耳将这个过程比作从教科书学习。你先读一本基础书籍来了解知识，拜耳说，然后再去读真正复杂的书。

普林斯顿大学本科生、该论文第一作者维娜克里希纳拉吉表示，这种方法可以避免人工智能不得不一次性处理所有信息。

该策略被证明非常有效。在某些情况下，迁移学习将所需的昂贵模拟次数减少了十倍以上。

用拜耳的教科书类比，想象一个医学生从入门资料中学习，之后遇到一种与常见疾病相似的罕见病。现有知识通常是有帮助的，但有时也会导致错误的结论。

人工智能系统中也可能出现类似的问题。新物理现象产生的某些信号可能与人工智能从标准宇宙学模型中已学到的模式非常相似。当这种情况发生时，人工智能可能会通过其早期训练的视角来解读新信息，从而更难识别出真正不同的事物。

研究人员在研究包含大质量中微子的模拟时观察到了这种效应。中微子质量的一些可观测结果与现有ΛCDM模型中的一个名为σ8的参数相关的变化非常相似，该参数用于衡量宇宙中物质的聚集强度。

由于这两种效应看起来非常相似，预训练的神经网络最初难以区分它们。

负迁移并非随机现象。它是由模型中潜在的物理简并性驱动的，克里希纳拉吉表示。换句话说，不同的物理参数可能产生几乎相同的可观测特征，这使得人工智能难以正确区分它们。因此，这是我们需要注意并努力缓解的问题，她总结道。

正如作者在论文中指出的，预训练可以加快推理速度，但也可能阻碍对新物理知识的学习。

到目前为止，该方法仅通过模拟进行了测试。不过，研究人员认为它为未来涉及实际天文观测的应用提供了重要基础。

随着下一代宇宙学调查开始产生前所未有的大量关于宇宙的高精度数据，这可能会变得越来越有价值。如果谨慎使用，迁移学习可以帮助科学家更高效地分析这些信息，同时继续寻找超越标准模型的物理学。

《超越标准模型的迁移学习》一文（作者为VeenaKrishnaraj、AdrianE。Bayer、ChristianKraghJespersen和PeterMelchior）现已在JSTAT上发布。

BY: Sissa Medialab

FY: AI

如有相关内容侵权，请在作品发布后联系作者删除

转载还请取得授权，并注意保持完整性和注明出处

© 版权所有｜天文志愿文章组 & 零度星系｜2026