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...