Чем лучше обучение, тем выше риск ошибки: знания ИИ о Вселенной могут мешать новым открытиям
Исследователи из Принстонского университета и Института Флэтайрон выяснили, что искусственный интеллект, которого обучали на стандартных моделях Вселенной, иногда не замечает новую физику — не потому что он плохо работает, а именно потому что работает слишком хорошо. Чем лучше ИИ усвоил старые закономерности, тем труднее ему увидеть что-то принципиально иное. Выводы опубликовали в журнале Journal of Cosmology and Astroparticle Physics.
В основе эксперимента — метод, который называется трансферным обучением. Суть простая: вместо того чтобы учить нейросеть всему с нуля на дорогостоящих симуляциях, ее сначала «прогоняют» через более простые и дешевые расчеты, а потом переключают на сложные. Это похоже на то, как студент сначала читает базовый учебник, а потом переходит к специализированной литературе. По словам космолога Адриана Байера, соавтора исследования, такой подход позволил сократить число дорогостоящих симуляций больше, чем в десять раз.
Зачем вообще нужны эти симуляции? Космологи проверяют, как устроена Вселенная, сравнивая наблюдения с виртуальными моделями. Стандартная модель называется ΛCDM (лямбда-CDM) — она описывает расширение Вселенной и то, как галактики распределяются в пространстве. Но ученые уверены, что она не полная: за ее пределами могут скрываться массивные нейтрино, измененная гравитация и темная энергия, которая меняется со временем. Чтобы проверить каждую из этих идей, нужно запускать отдельную симуляцию — и каждая из них требует огромных вычислительных ресурсов.
Проблема обнаружилась, когда исследователи начали изучать симуляции с массивными нейтрино — субатомными частицами, которые почти не взаимодействуют с веществом, но все равно влияют на то, как распределяется материя во Вселенной. Оказалось, что следы, которые оставляют массивные нейтрино в данных, очень похожи на следы другого параметра стандартной модели — σ8 (сигма-восемь). Этот параметр описывает, насколько сильно вещество слипается в крупные структуры — галактики и скопления галактик. Нейросеть, натренированная на стандартной модели, просто путала одно с другим.
Космический ИИ: как нейросети помогают человечеству завоевать Солнечную систему
Это явление исследователи назвали «отрицательным переносом» (negative transfer). Веена Кришнараж, первый автор статьи и студентка Принстона, объясняет его так: разные физические параметры могут порождать почти одинаковые наблюдаемые сигналы — и ИИ, который хорошо выучил стандартную модель, склонен интерпретировать новые сигналы через ее призму.
«Отрицательный перенос не случаен. Его вызывают физические дегенерации в модели», — говорит она. Дегенерация в данном контексте означает физическую неопределенность: когда два разных явления дают одинаковую картину данных .
Авторы подчеркивают: пока метод проверяли только на симуляциях, а не на реальных астрономических наблюдениях. Но следующее поколение космологических обзоров — масштабных систематических съемок неба — скоро начнет генерировать беспрецедентные объемы данных. Если использовать трансферное обучение аккуратно, с пониманием его ограничений, оно может стать полезным инструментом для поиска физики за пределами стандартной модели.
Фото Francisco Villaescusa-Navarro
Самое популярное
