天津
編輯丨coisini
標準宇宙模型（ΛCDM 模型）成功解釋了宇宙的許多大尺度特征，包括宇宙膨脹和星系的分布。然而，科學家認為該模型并非終極答案，暗物質粒子性質、暗能量本質等仍是未解問題。
在宇宙學探索前沿，人工智能正在成為科學家的得力助手。最近，一項新研究表明，機器學習中的遷移學習技術有望更快速、更低成本地推動新物理學的探索，幫助研究人員探索超越標準宇宙模型的理論。
有趣的是，該研究也揭示了一個令人意外的弊端：AI 有時會過度依賴已學知識，導致難以識別真正新奇的現象。研究論文發表于《宇宙學和天體粒子物理學雜志》。
論文地址：https://iopscience.iop.org/article/10.1088/1475-7516/2026/06/026
遷移學習降本增效
近年來，宇宙學觀測數據不斷積累，多項獨立測量結果呈現出與標準宇宙模型的偏差，暗示新物理學的存在，涉及大質量中微子的效應、修正引力以及暗能量的演化。
為探索這些可能性，研究人員需要生成海量詳細的計算機模擬，每個模擬代表一個基于不同物理假設構建的虛擬宇宙。生成這些模擬的計算成本極高，通常需要龐大的計算能力。
機器學習中的遷移學習技術，通過將源任務學習到的經驗應用到目標任務，能夠讓目標任務的訓練更靈活高效。研究團隊嘗試采用該方法降低模擬成本，提高研究效率。
簡單來說，該團隊沒有直接在最復雜、計算成本最高的模擬上訓練神經網絡，而是首先基于更簡單的 ΛCDM 模擬進行預訓練，隨后再使用包含潛在新物理的更復雜模型進行額外訓練。
研究團隊成員、普林斯頓大學宇宙學家 Adrian E. Bayer 表示：「這是一種捷徑，就像是先讀一本基礎教材，對知識有個大致概念，然后再去啃那本真正復雜的書。」
這種策略避免了 AI「一次性消化所有內容」的負擔。效果十分顯著，在某些情況下，遷移學習將所需的高成本模擬數量減少了超過十分之九。
「捷徑」暗藏「陷阱」
雖然遷移學習顯著提高了研究效率，但研究團隊發現這種捷徑是存在缺陷的，特別是在宇宙探索這種未知性極強的領域。類似于我們通過一本入門教材學習醫學，然后遇到一種與常見疾病極為相似的罕見病，我們極有可能會錯誤地將其判斷為常見病。
在某些情況下，新物理學的特征與標準宇宙模型中的模式相似，而經過預訓練的 AI 網絡可能會使用已有知識去解讀不熟悉的信息。要知道，往往正是這些「異常信息」蘊含著新物理學的奧秘。
研究團隊在模擬大質量中微子的過程中觀察到了這一效應。中微子質量產生的某些效應與現有的 ΛCDM 參數 σ8（描述宇宙中物質聚集的強度）非常相似，預訓練神經網絡難以區分這兩種效應。
下面兩幅圖像均來自該研究中使用的 Quijote 模擬。這兩幅圖展示了宇宙的同一區域，但分別對應不同的宇宙學模型。上圖對應 ΛCDM 模型，下圖則展示了一個包含大質量中微子和修正引力的宇宙。盡管差異細微，但它們揭示了底層物理機制的變化如何影響宇宙結構的形成和分布。
這一發現揭示了將基礎模型理念應用于物理學的潛在優勢與局限。研究論文指出：「預訓練可以加速推理，但同時也可能阻礙對新物理現象的學習。」
這是一個值得深思的問題，科學發現的關鍵就在于拓展知識邊界。人工智能因高效而成為探索未知的利器，但如果它過度依賴已有知識，便可能陷入「經驗主義」的陷阱 —— 善于擬合已知，怯于觸碰未知。而真正的突破往往誕生于反常與例外之中。
參考鏈接：https://www.sciencedaily.com/releases/2026/06/260611024557.htm
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
