Космологи всё чаще обращаются к методам машинного обучения, чтобы анализировать колоссальные объёмы данных о Вселенной. Однако создание обучающих выборок для таких алгоритмов требует генерации миллионов детализированных симуляций виртуальных вселенных с разными физическими параметрами — процесс, который потребляет огромные вычислительные ресурсы и время.
Исследователи нашли способ ускорить этот этап, используя подход, известный как трансферное обучение (transfer learning), но при этом столкнулись с неожиданным ограничением. Оказалось, что искусственный интеллект, обученный на стандартной космологической модели (ΛCDM), может с трудом распознавать действительно новые явления, если их наблюдаемые проявления слишком похожи на уже известные эффекты.
Суть метода в том, чтобы сначала обучить нейронную сеть на относительно простых и дешёвых симуляциях в рамках стандартной модели ΛCDM (Lambda-Cold Dark Matter), где гравитация подчиняется общей теории относительности, тёмная энергия считается постоянной величиной, а нейтрино — безмассовыми. Этот этап даёт алгоритму базовое понимание того, как устроена Вселенная и как формируются крупномасштабные структуры. Затем полученные знания переносятся на более сложные модели, включающие возможную новую физику: массивные нейтрино, модифицированную гравитацию или эволюционирующую тёмную энергию. Такой подход сокращает количество необходимых дорогостоящих симуляций более чем в десять раз, поскольку ИИ не приходится начинать с нуля.
Однако в некоторых случаях трансферное обучение приводит к негативному переносу. Проблема возникает, когда сигналы от новой физики внешне неотличимы от тех, что порождаются параметрами стандартной модели. Например, изменение массы нейтрино и изменение параметра σ8, который описывает степень кластеризации материи, могут давать почти идентичные наблюдательные сигнатуры. Нейронная сеть, привыкшая интерпретировать такие сигналы в рамках ΛCDM, ошибочно относит к ним и данные из альтернативных моделей, не замечая действительно новых явлений.
Исследование, опубликованное в Journal of Cosmology and Astroparticle Physics, выполнено на симуляциях, а не на реальных наблюдениях. Тем не менее, оно имеет прямое отношение к будущим космологическим проектам, которые будут генерировать беспрецедентные объёмы высокоточных данных. Авторы подчёркивают, что эффект негативного переноса не случаен — он заложен в самой физике, когда разные модели приводят к схожим наблюдательным проявлениям. Преодоление этой трудности потребует более тщательного проектирования обучающих выборок и, возможно, гибридных подходов, сочетающих машинное обучение с классическим статистическим выводом. Но сам факт, что ИИ способен радикально ускорить поиск новой физики, остаётся важным открытием.