AI掌握宇宙规律却引发意想不到的问题

AI掌握宇宙规律为何会成为一个难题

宇宙学 AI技术天体物理学

本研究中使用的Quijote模拟的两张图像。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：FranciscoVillaescusaNavarro

人工智能可以加速对新物理学的探索，但有时它知道得太多，反而看不到眼前的东西。

根据发表在《宇宙学与天体粒子物理学杂志》（JCAP）上的一项研究，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已成为宇宙学中的重要工具，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，仍然是一项极其昂贵的计算挑战。

标准模型的局限性

虽然ΛCDM模型成功解释了宇宙的许多观测特征，包括其膨胀和星系的大尺度分布，但科学家们认为它并没有讲述全部故事。近期的观测表明，诸如大质量中微子、修正引力和演化暗能量等现象可能揭示出当前模型之外的物理规律。

计算挑战

探索这些可能性需要研究人员生成大量虚拟宇宙的详细模拟，每一种模拟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。

迁移学习提供了一条更快捷的路径

什么是迁移学习？

研究人员调查了一种名为迁移学习的机器学习方法是否能减轻这种负担。

迁移学习让人工智能系统能够应用从一个任务中获得的知识，来帮助它更高效地学习另一个任务。人工智能不会从零开始，而是基于已有的知识进行学习。

研究过程

在这项研究中，研究团队首先利用基于ΛCDM的模拟来训练一个神经网络。这种被称为预训练的初始训练过程为人工智能奠定了基础，之后它才接触到包含可能的新物理的更复杂的宇宙学模型。

'这基本上是个捷径，普林斯顿大学和Flatiron研究所的宇宙学家、该研究的合著者AdrianBayer解释道。通常人们会直接在计算成本最高的模拟上训练AI。而我们的做法是，先使用更简单、成本更低的ΛCDM模拟让AI了解发生了什么，之后再转向更复杂的模型。'

拜耳将这个过程比作从课本学习。你先读一本基础的书来了解知识，拜耳说，然后再去读真正复杂的书。

根据普林斯顿大学本科生、该论文第一作者维娜克里希纳拉吉的说法，这种方法可以防止人工智能一次性消化所有内容。

显著成效

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。

当先验知识成为问题时

负迁移挑战

这项研究还揭示了一个不太明显的挑战，即负迁移。

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

AI系统中也可能出现类似的问题。新物理学产生的某些信号可能与AI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，AI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的参数所带来的变化非常相似，该参数用于衡量宇宙中物质的聚集强度。

因为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。

科学洞察

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。

未来宇宙学的前景与风险

前景与挑战

这些发现既说明了将基础模型策略应用于物理学的好处，也指出了其潜在的陷阱。这些方法在概念上与现代生成式人工智能系统和大型语言模型所使用的技术相似。

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真实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关于宇宙的前所未有的高精度数据量，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。

参考文献

《超越标准模型的迁移学习》一文由VeenaKrishnaraj、AdrianE。Bayer、ChristianKraghJespersen和PeterMelchior撰写，已发表于JSTAT。