让AI来匡助发现新的物理学旨趣，听起来像是一条捷径。
事实也照实如斯，但这条捷径上躲避了一个科学家们莫得预猜度的陷坑。普林斯顿大学和弗拉蒂隆商酌所的商酌团队近日在《天地学和天体粒子物理学杂志》上发表商酌，揭示了一种叫作念"迁徙学习"的机器学习时期在天地学商酌中的双面性：它能将上流的猜度资本削减十倍以上，但在某些情况下，它也会让AI对"新东西"装腔作势。
天地学家的广博责任，比大多数东谈主瞎想的要贵得多。
为了探索超出刻下步调天地学模子（ΛCDM）的新物理，商酌者需要生成大齐精密猜度机模拟，每一组模拟代表一个基于不同物理假定搭建的"假造天地"，包括大质料中微子效应、修正引力、暗能量演化等。这些模拟很是亏本算力，动辄需要强劲的超等猜度机跑上数周。
商酌团队尝试用迁徙学习绕过这一瓶颈。其基本逻辑并不复杂：先让神经集聚在相对肤浅、猜度低价的步调ΛCDM模拟上进行大齐预磨练，让它充分相识天地的"老例运作花式"，然后再用一丝包含新物理的复杂模拟作念进一步微调。
弗拉蒂隆商酌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由："你先读一册基础讲义了解布景常识，再去啃确实复杂的书。"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。
成果令东谈主立志。在几许测试场景中，迁徙学习所需的高资本模拟次数减少了十倍致使更多，关于算力资源弥留的商酌团队而言，这意味着重大的本色价值。
干系词，确实让这项商酌引东谈主深想的，不是它的到手，而是它发现的阿谁隐患。
商酌团队将其定名为"负迁徙"（negative transfer）。当AI在新物理场景中碰到的模式，与它预磨练时学到的步调模子模式高度相似时，它会倾向于用旧常识的框架去解读新信息，从而系统性地错过确实属于新物理的信号。
这个问题在商酌大质料中微子的模拟中显现得最为了了。中微子质料对天地结构酿成的影响花式，与步调模子中的一个参数σ8（预计天地中物资聚集强度的有计划）的变化在不雅测层面极为相似，两者在AI"眼中"简直长得同样。经过ΛCDM预磨练的神经集聚，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。
商酌第一作家、普林斯顿大学本科生维娜·克里希纳拉杰的表述刀刀见血："负迁徙并非飞速神色，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出了时期故障，而是不同的物理经由正值留住了太相似的天地学"指纹"，让AI难以分裂。
Gizmodo征引商酌团队的分析指出，这一发现揭示了将基础模子时期哄骗于物理学的一个深层悖论：预磨练赋予AI的先验常识，在匡助它更快相识已知领域的同期，也可能在它最需要保捏通达姿态的时期关上了感知的大门。
这项商酌当今仍处于模拟测试阶段，下一步将尝试将迁徙学习框架哄骗于真实天文不雅测数据。商酌团队觉得，跟着将来几年新一代巡天千里镜链接干预初始，届时将产生前所未有的高精度天地学数据，迁徙学习有望成为责罚这一数据洪流的迫切器具，前提是负迁徙问题赢得灵验适度。
AI概况正在成为东谈主类探索未知天地的强劲加快器体育游戏app平台，但这项商酌指示咱们：一个对我方所知过于自信的学生，无意恰正是最危境的学生。
