让AI来匡助发现新的物理学旨趣，听起来像是一条捷径。
事实也确乎如斯，但这条捷径上秘籍了一个科学家们莫得料猜度的罗网。普林斯顿大学和弗拉蒂隆盘问所的盘问团队近日在《天地学和天体粒子物理学杂志》上发表盘问，揭示了一种叫作念"移动学习"的机器学习技艺在天地学盘问中的双面性：它能将不菲的蓄意老本削减十倍以上，但在某些情况下，它也会让AI对"新东西"有眼无珠。
天地学家的平素职责，比大多数东谈主遐想的要贵得多。
为了探索超出现时尺度天地学模子（ΛCDM）的新物理，盘问者需要生成多数精密蓄意机模拟，每一组模拟代表一个基于不同物理假定搭建的"造谣天地"，包括大质料中微子效应、修正引力、暗能量演化等。这些模拟相配铺张算力，动辄需要强盛的超等蓄意机跑上数周。
盘问团队尝试用移动学习绕过这一瓶颈。其基本逻辑并不复杂：先让神经网罗在相对浅薄、蓄意低价的尺度ΛCDM模拟上进行多数预检修，让它充分交融天地的"成例运作样式"，然后再用少许包含新物理的复杂模拟作念进一步微调。
弗拉蒂隆盘问所天地学家阿德里安·拜尔用一个直白的譬如来讲授这个经过："你先读一册基础课本了解配景学问，再去啃着实复杂的书。"这和东谈主类科学家的学习旅途如出一辙，先打基础，再攻难点。
后果令东谈主奋斗。在多少测试场景中，移动学习所需的高老本模拟次数减少了十倍甚而更多，关于算力资源病笃的盘问团队而言，这意味着庞大的本体价值。
关连词，着实让这项盘问引东谈主深念念的，不是它的得胜，而是它发现的阿谁隐患。
盘问团队将其定名为"负移动"（negative transfer）。当AI在新物理场景中遇到的格式，与它预检修时学到的尺度模子格式高度相似时，它会倾向于用旧学问的框架去解读新信息，从而系统性地错过着实属于新物理的信号。
这个问题在盘问大质料中微子的模拟中露馅得最为显著。中微子质料对天地结构造成的影响样式，与尺度模子中的一个参数σ8（推测天地中物资相接强度的主义）的变化在不雅测层面极为相似，两者在AI"眼中"简直长得相同。经过ΛCDM预检修的神经网罗，会不由自主地把中微子效应的特征归因于σ8的波动，而非正确识别出这是一种新的物理机制在作用。
盘问第一作家、普林斯顿大学本科生维娜·克里希纳拉杰的表述一语谈破："负移动并非立时局势，而是由模子中潜在的物理相似性所驱动的。"换句话说，不是AI出了技艺故障，而是不同的物理经过赶巧留住了太相似的天地学"指纹"，让AI难以差别。
Gizmodo征引盘问团队的分析指出，这一发现揭示了将基础模子技艺愚弄于物理学的一个深层悖论：预检修赋予AI的先验学问，在匡助它更快交融已知边界的同期，也可能在它最需要保捏怒放姿态的时辰关上了感知的大门。
这项盘问现在仍处于模拟测试阶段，下一步将尝试将移动学习框架愚弄于确凿天文不雅测数据。盘问团队合计，跟着翌日几年新一代巡天千里镜不绝过问运转，届时将产生前所未有的高精度天地学数据，移动学习有望成为措置这一数据急流的紧要器用，前提是负移动问题获取灵验适度。
AI八成正在成为东谈主类探索未知天地的强盛加快器开yun体育网，但这项盘问教导咱们：一个对我方所知过于自信的学生，或然恰正是最危境的学生。