转载 | AI迁移学习加速宇宙学模拟，但负迁移陷阱需警惕

普林斯顿大学和Flatiron研究所的研究人员在《宇宙学与天体粒子物理杂志》（JCAP）上发表了一项重要研究，探索如何利用迁移学习（Transfer Learning）加速宇宙学模拟，同时警告需要警惕”负迁移”陷阱。

当前宇宙学的标准模型——ΛCDM模型——成功解释了许多大尺度宇宙特征，但科学家们认为这并非最终答案。近期的观测提出了可能指向新物理学的问题，包括大质量中微子的效应、修正引力和动态暗能量等。探索这些可能性需要研究人员生成大量详细的计算机模拟，每套模拟都代表基于不同物理假设的虚拟宇宙，计算成本极其高昂。

研究团队尝试将迁移学习引入这一领域。迁移学习允许AI系统将从一项任务中获得的知识应用于另一项相关任务。团队首先在基于ΛCDM的简单模拟上训练神经网络（预训练阶段），然后使用包含潜在新物理的更复杂模型进行额外训练。结果令人振奋：在某些情况下，迁移学习将所需昂贵模拟的数量减少了超过十倍。

然而，研究也揭示了一个被称为”负迁移”的挑战性问题。在某些情况下，新物理的信号与AI已与标准宇宙学模型关联的模式相似。当这种情况发生时，预训练网络可能会通过已有知识的”滤镜”来解释陌生信息，从而更难识别真正的新效应。例如，在研究包含大质量中微子的模拟时，中微子质量的观测特征与ΛCDM参数σ8（衡量物质聚集程度的指标）的变化极为相似，导致预训练神经网络难以区分两者。

“负迁移并非随机出现，而是由模型中潜在的物理简并性驱动的，”论文第一作者Veena Krishnaraj指出。该发现强调了将基础模型概念应用于物理学时既有的优势也有的局限——预训练可以加速推断，但也可能阻碍学习新物理。

目前该研究仅使用模拟数据进行了验证，下一步将应用于真实的天文观测数据。研究团队相信，迁移学习有望成为未来宇宙学巡天项目的重要工具。

来源：ScienceDaily – AI Could Uncover New Physics Faster but There’s a Surprising Catch