Искусственный интеллект, который помогает космологам изучать Вселенную, может значительно ускорить поиск новой физики, но у этого подхода есть и обратная сторона. Исследование показало, что предварительное обучение на стандартной космологической модели иногда мешает нейросети распознавать действительно новые явления.
Стандартная модель, известная как ΛCDM, успешно описывает крупномасштабные свойства Вселенной, включая её расширение и распределение галактик. Однако учёные полагают, что эта модель неполна, и ищут физические законы за её пределами. Для проверки новых гипотез – например, о влиянии массивных нейтрино или меняющейся тёмной энергии – требуются многочисленные и сложные компьютерные симуляции, которые отнимают много вычислительных ресурсов.
В работе, опубликованной в Journal of Cosmology and Astroparticle Physics, исследователи предложили способ удешевить этот процесс с помощью трансферного обучения. Сначала нейросеть обучают на простых симуляциях, основанных на стандартной модели ΛCDM, и лишь затем доучивают на более сложных и дорогих моделях с элементами «новой физики». Благодаря этому подходу дорогостоящих симуляций потребовалось в десять раз меньше.
Однако учёные столкнулись с проблемой «негативного переноса». Предварительно обученная нейросеть пытается интерпретировать незнакомую информацию через призму уже известных ей закономерностей. Это мешает ей выявлять эффекты, которые лишь отчасти напоминают явления из стандартной модели.
Так, нейросеть с трудом отличала наблюдаемые проявления массивных нейтрино от вариаций параметра σ8 – стандартного показателя, который описывает степень скученности материи во Вселенной. По словам авторов, «негативный перенос» возникает не случайно, а из-за того, что разные физические процессы могут приводить к очень похожим наблюдаемым результатам. Этот риск необходимо учитывать при дальнейшем использовании подобных методов.
Пока подход проверили только на симуляциях. Следующим шагом станет его применение к реальным данным астрономических наблюдений. Учёные считают, что, несмотря на выявленные ограничения, трансферное обучение может стать важным инструментом для анализа данных будущих космологических обзоров.
