当宇宙学成为头条新闻时，我们经常会看到宇宙地图和超新星的奇特图像。但实际上，科学家必须花费数月或数年时间筛选数百或数千次计算和模拟。为了减轻这种负担，一些科学家转向人工智能——但一项新研究发现，人工智能的利弊非常微妙。在一个学习

本月早些时候，宇宙学家在《宇宙学和天体粒子物理学杂志》上发表了一篇文章，训练了一个人工智能神经网络来模拟“CDM”宇宙学标准模型（以下简称“标准模型”）。然后，团队测试了这种预训练是否有助于或损害人工智能对宇宙学和天体物理学中其他突出问题的后续调查。尽管人工智能确实表现出了一些希望，但它产生了偏见，最终不利于发现新的物理学。

这项研究是“人工智能在以结构化方式使用时如何帮助科学更快发展的一个很好的例子”，阿德里安·E·拜尔该研究的合著者、熨斗研究所和普林斯顿大学的宇宙学家告诉 Gizmodo。“同时，这项研究提醒我们，加速和理解必须同时进行。”

代价高昂的真相

宇宙学的突破往往成本高昂且耗时。正如暗能量光谱仪器 (DESI) 联合发言人 Will Percival 在 4 月份告诉 Gizmodo 的那样，为科学分析准备数据集涉及创建模拟宇宙和星系，然后运行模拟作为健全性检查。这些过程对于从高级观察中得出任何严肃的结论至关重要。

但拜耳告诉 Gizmodo，标准模型之外的模型模拟（涉及大量中微子、演化暗能量或修正重力的扩展）也非常昂贵。与此同时，测试这些替代方案，无论它们最终是否正确，对于增进我们对宇宙的理解至关重要。这种实际动机促使拜耳寻找“能够有效学习的方法，而不需要针对每种情况都使用大量的新模拟套件。”

转会坎坷？

在实验中，该团队使用了一种称为迁移学习的机器学习策略。在这种方法中，模型首先从一个任务或数据集（标准模型的模拟）中学习，并应用这些知识来学习相关任务或标准模型的扩展版本，其中包括新物理学的有希望的想法。

根据拜耳的说法，人工智能在基于更少、成本更低的模拟来理解标准模型方面表现得相当好。然而，当新的物理学与它在[标准模型]参数空间中已经学到的方向重叠时，它开始陷入困境，他指出。这种被称为负迁移的现象是随着人工智能产生偏见而出现的，它无法区分在数据中产生相似模式的两种不同的物理效应。因此，人工智能并没有发现本质上新的东西，而是依赖于它已经学到的东西，导致它错过了暗示超出标准模型的物理的潜在线索。

“负迁移结果很有趣，因为它表明模型并不是随机失败的，”拜耳补充道。“了解迁移学习何时有帮助以及何时强化这些简并性对于在未来的宇宙学分析中可靠地使用人工智能非常重要。”

人工智能和宇宙学

对于拜耳来说，最新的研究结果证实了人工智能可以提供帮助这一并不新鲜的概念，但人类专家必须仔细遵循其计算来理解和追寻相关问题。

他说：“迁移学习可以为人工智能提供强大的领先优势，使我们能够测试更多关于宇宙的想法，而不是实际的想法。”“但是，如果一个模型将知识从一种环境带到另一种环境中，我们需要了解它继承了什么——这些知识何时有用，何时可能误导。”

接下来，拜耳和同事计划在“更接近实际调查数据”的环境中进行类似的实验，其中包括“星系形成不确定性、调查掩模和噪声”。此外，该团队希望探索哪些宇宙学调查可以从迁移学习中受益最多。