北京正规股票配资平台 AI算力成本骤降十倍，却对宇宙新物理视而不见!

让AI来帮助发现新的物理学原理，听起来像是一条捷径。

事实也确实如此，但这条捷径上暗藏了一个科学家们没有预料到的陷阱。普林斯顿大学和弗拉蒂隆研究所的研究团队近日在《宇宙学和天体粒子物理学杂志》上发表研究，揭示了一种叫做"迁移学习"的机器学习技术在宇宙学研究中的双面性：它能将昂贵的计算成本削减十倍以上，但在某些情况下，它也会让AI对"新东西"视而不见。

宇宙学家的日常工作，比大多数人想象的要贵得多。

为了探索超出当前标准宇宙学模型（ΛCDM）的新物理，研究者需要生成大量精密计算机模拟，每一组模拟代表一个基于不同物理假设搭建的"虚拟宇宙"，包括大质量中微子效应、修正引力、暗能量演化等。这些模拟极度耗费算力，动辄需要强大的超级计算机跑上数周。

研究团队尝试用迁移学习绕过这一瓶颈。其基本逻辑并不复杂：先让神经网络在相对简单、计算廉价的标准ΛCDM模拟上进行大量预训练，让它充分理解宇宙的"常规运作方式"，然后再用少量包含新物理的复杂模拟做进一步微调。

弗拉蒂隆研究所宇宙学家阿德里安·拜尔用一个直白的比喻来解释这个过程："你先读一本基础教材了解背景知识，再去啃真正复杂的书。"这和人类科学家的学习路径如出一辙，先打基础，再攻难点。

结果令人振奋。在若干测试场景中，迁移学习所需的高成本模拟次数减少了十倍甚至更多，对于算力资源紧张的研究团队而言，这意味着巨大的实际价值。

然而，真正让这项研究引人深思的，不是它的成功，而是它发现的那个隐患。

研究团队将其命名为"负迁移"（negative transfer）。当AI在新物理场景中遭遇的模式，与它预训练时学到的标准模型模式高度相似时，它会倾向于用旧知识的框架去解读新信息，从而系统性地错过真正属于新物理的信号。

这个问题在研究大质量中微子的模拟中暴露得最为清晰。中微子质量对宇宙结构形成的影响方式，与标准模型中的一个参数σ8（衡量宇宙中物质聚集强度的指标）的变化在观测层面极为相似，两者在AI"眼中"几乎长得一样。经过ΛCDM预训练的神经网络，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。

研究第一作者、普林斯顿大学本科生维娜·克里希纳拉杰的表述一针见血："负迁移并非随机现象，而是由模型中潜在的物理相似性所驱动的。"换句话说，不是AI出了技术故障，而是不同的物理过程恰好留下了太相似的宇宙学"指纹"，让AI难以分辨。

Gizmodo援引研究团队的分析指出，这一发现揭示了将基础模型技术应用于物理学的一个深层悖论：预训练赋予AI的先验知识，在帮助它更快理解已知领域的同时，也可能在它最需要保持开放姿态的时候关上了感知的大门。

这项研究目前仍处于模拟测试阶段，下一步将尝试将迁移学习框架应用于真实天文观测数据。研究团队认为，随着未来几年新一代巡天望远镜陆续投入运行，届时将产生前所未有的高精度宇宙学数据，迁移学习有望成为处理这一数据洪流的重要工具，前提是负迁移问题得到有效控制。

AI或许正在成为人类探索未知宇宙的强大加速器北京正规股票配资平台，但这项研究提醒我们：一个对自己所知过于自信的学生，有时恰恰是最危险的学生。

万宝配资提示：文章来自网络，不代表本站观点。