ხელოვნური ინტელექტი თანამედროვე კოსმოლოგიის განუყოფელი ნაწილი ხდება. ახალი კვლევის თანახმად, მანქანური სწავლების ერთ-ერთი მეთოდი, ე.წ. ტრანსფერული სწავლება (transfer learning), მკვლევრებს სამყაროს ახალი კანონების აღმოჩენაში დაეხმარება, თანაც გაცილებით დაბალი დანახარჯებით.

მიუხედავად ამ ტექნოლოგიური პროგრესისა, მეცნიერებმა საინტერესო დაბრკოლება გამოავლინეს: AI ზოგჯერ იმდენად ეყრდნობა უკვე ნასწავლ ინფორმაციას, რომ უჭირს რეალურად ახალი და განსხვავებული ფენომენების შემჩნევა. კვლევა, რომელიც ჟურნალ JCAP-ში გამოქვეყნდა, განიხილავს, თუ როგორ შეიძლება ამ მეთოდმა ხელი შეუწყოს სტანდარტული კოსმოლოგიური მოდელის მიღმა არსებული თეორიების კვლევას.

რატომ არის საჭირო ახალი მიდგომები?

დღეს მეცნიერები ეყრდნობიან კოსმოლოგიის სტანდარტულ მოდელს, რომელსაც ΛCDM ეწოდება. ის კარგად ხსნის სამყაროს გაფართოებასა და გალაქტიკების განაწილებას, თუმცა ფიზიკოსები დარწმუნებულნი არიან, რომ ეს არ არის საბოლოო პასუხი. ისეთი ფენომენები, როგორიცაა მასიური ნეიტრინოები, მოდიფიცირებული გრავიტაცია და ბნელი ენერგიის ცვლილებები, ახალ კვლევებს მოითხოვს.

ამ კვლევებისთვის საჭიროა უზარმაზარი კომპიუტერული სიმულაციების შექმნა, რაც უდიდეს გამოთვლით რესურსს ითხოვს. სწორედ აქ შემოდის ტრანსფერული სწავლება, როგორც პროცესის დაჩქარების საშუალება.

„მოკლე გზა“ სწავლაში

პრინსტონის უნივერსიტეტისა და Flatiron Institute-ის მკვლევარი ადრიან ბაიერი განმარტავს, რომ ტრანსფერული სწავლება სისტემას საშუალებას აძლევს, ერთი დავალებიდან მიღებული ცოდნა მეორე, მსგავს დავალებაზე გამოიყენოს. ნაცვლად იმისა, რომ AI პირდაპირ რთულ სიმულაციებზე გაწვრთნან, მას ჯერ მარტივ, ΛCDM მოდელზე დაფუძნებულ მონაცემებს აცნობენ.

„ეს ჰგავს სახელმძღვანელოების კითხვას. ჯერ ეცნობი საბაზისო წიგნს, შემდეგ კი გადადიხარ რთულ ლიტერატურაზე“, — ამბობს ბაიერი. შედეგები შთამბეჭდავია: ზოგიერთ შემთხვევაში, ამ მეთოდმა საჭირო ძვირადღირებული სიმულაციების რაოდენობა ათჯერ შეამცირა.

უარყოფითი ტრანსფერის საფრთხე

კვლევამ გამოავლინა გამოწვევაც, რომელსაც „უარყოფითი ტრანსფერი“ ეწოდება. ეს ხდება მაშინ, როდესაც AI უკვე ნასწავლ ცოდნას არასწორად იყენებს ახალ ინფორმაციაზე. მაგალითად, თუ ახალი ფიზიკური ეფექტი გარეგნულად ჰგავს ძველ, უკვე ნაცნობ მოდელს, AI-მ შესაძლოა ის შეცდომით სტანდარტულ მოდელად აღიქვას.

მკვლევრებმა ეს ეფექტი მასიური ნეიტრინოების შესწავლისას შენიშნეს. ნეიტრინოების გავლენა სიმულაციებში ძალიან ჰგავდა ΛCDM-ის ერთ-ერთ პარამეტრს, რამაც სისტემა დააბნია. მკვლევრები აღნიშნავენ, რომ ეს ფაქტორი მომავალში გასათვალისწინებელია, რათა AI-მ ახალი ფიზიკური კანონები არ „გამოტოვოს“ ძველისადმი გადაჭარბებული ნდობის გამო.