Принстонські вчені навчили нейромережу шукати нову фізику за межами стандартної моделі Всесвіту

Команда космологів із Принстонського університету та Інституту Флетайрон перевірила, чи здатен штучний інтелект ефективніше шукати ознаки фізики за межами стандартної моделі Всесвіту. Дослідження очолили Віна Крішнарадж і Адріан Байєр. Їхній підхід базується на так званому переносі навчання — методі, при якому нейромережу спочатку тренують на простіших задачах, а потім адаптують до складніших.

Стандартна космологічна модель ΛCDM — це основа, якою вчені описують будову та еволюцію Всесвіту. Літера Λ позначає космологічну сталу, пов’язану з темною енергією, а CDM — холодну темну матерію. Модель добре пояснює розширення Всесвіту й розподіл галактик, але, найімовірніше, не дає відповіді на всі питання. Спостереження допускають існування масивних нейтрино, змін у поведінці гравітації та темної енергії зі змінними властивостями — всього того, чого немає в базовій версії моделі.

Перевіряти такі гіпотези надзвичайно затратно. Кожен новий сценарій потребує великої кількості симуляцій, у яких відстежується, як матерія збирається в скупчення і нитки. Що більше параметрів додають фізики, то більше комбінацій доводиться прораховувати на суперкомп’ютерах. Команда Крішнарадж запропонувала інший порядок: спочатку навчити нейромережу на звичайних розрахунках ΛCDM, а вже потім дообчити її на сценаріях із можливими ознаками нової фізики. У деяких випадках такий підхід скоротив кількість дорогих симуляцій більш ніж у десять разів.

Проте дослідження виявило й серйозний ризик — так званий негативний перенос. Це ситуація, коли попереднє навчання заважає моделі розв’язати нову задачу. Нейромережа «бачить» знайомий сигнал і пояснює його через уже вивчений параметр, хоча схожий слід може лишати зовсім інший фізичний ефект. У космології ця проблема загострюється через виродженість параметрів: різні причини можуть давати майже однакову спостережувану картину розподілу матерії.

Найяскравіший приклад пов’язаний із масивними нейтрино. Ці надлегкі елементарні частинки слабо взаємодіють із речовиною, але навіть їхній незначний внесок впливає на формування великомасштабної структури Всесвіту. Масивні нейтрино перешкоджають матерії збиратися в щільні області на певних масштабах — і цей ефект виглядає дуже схоже на зміну параметра σ8, який описує інтенсивність згущення матерії в структури. Саме в сценаріях із масивними нейтрино нейромережа найгірше розрізняла два механізми з подібними наслідками.

Крішнарадж наголошує: негативний перенос — це не помилка алгоритму, а відображення реальної фізичної проблеми. Різні параметри справді можуть лишати майже однакові сліди в даних, і попереднє навчання лише підштовхує модель до вже знайомого пояснення. Тому майбутнім ШІ-системам для космології знадобляться додаткові перевірки: аналіз виродженостей, порівняння різних архітектур і тести на сценаріях, де новий ефект нагадує старий параметр.

Поки метод перевірявся виключно на симуляціях. Наступний крок — застосувати підхід до реальних спостережних даних. У найближчі роки космологічні огляди надаватимуть дедалі точніші карти розподілу речовини та галактик. Якщо вдасться налаштувати перенос навчання без втрати чутливості до нової фізики, дослідники зможуть швидше перевіряти моделі за межами ΛCDM і запускати найдорожчі симуляції лише там, де без них справді не обійтися.