當(dāng)人工智能遇上宇宙未知：加速探索新物理，卻暗藏「陷阱」

編輯丨coisini

標(biāo)準(zhǔn)宇宙模型（ΛCDM 模型）成功解釋了宇宙的許多大尺度特征，包括宇宙膨脹和星系的分布。然而，科學(xué)家認(rèn)為該模型并非終極答案，暗物質(zhì)粒子性質(zhì)、暗能量本質(zhì)等仍是未解問題。

在宇宙學(xué)探索前沿，人工智能正在成為科學(xué)家的得力助手。最近，一項新研究表明，機(jī)器學(xué)習(xí)中的遷移學(xué)習(xí)技術(shù)有望更快速、更低成本地推動新物理學(xué)的探索，幫助研究人員探索超越標(biāo)準(zhǔn)宇宙模型的理論。

有趣的是，該研究也揭示了一個令人意外的弊端：AI 有時會過度依賴已學(xué)知識，導(dǎo)致難以識別真正新奇的現(xiàn)象。研究論文發(fā)表于《宇宙學(xué)和天體粒子物理學(xué)雜志》。

論文地址：https://iopscience.iop.org/article/10.1088/1475-7516/2026/06/026

遷移學(xué)習(xí)降本增效

近年來，宇宙學(xué)觀測數(shù)據(jù)不斷積累，多項獨立測量結(jié)果呈現(xiàn)出與標(biāo)準(zhǔn)宇宙模型的偏差，暗示新物理學(xué)的存在，涉及大質(zhì)量中微子的效應(yīng)、修正引力以及暗能量的演化。

為探索這些可能性，研究人員需要生成海量詳細(xì)的計算機(jī)模擬，每個模擬代表一個基于不同物理假設(shè)構(gòu)建的虛擬宇宙。生成這些模擬的計算成本極高，通常需要龐大的計算能力。

機(jī)器學(xué)習(xí)中的遷移學(xué)習(xí)技術(shù)，通過將源任務(wù)學(xué)習(xí)到的經(jīng)驗應(yīng)用到目標(biāo)任務(wù)，能夠讓目標(biāo)任務(wù)的訓(xùn)練更靈活高效。研究團(tuán)隊嘗試采用該方法降低模擬成本，提高研究效率。

簡單來說，該團(tuán)隊沒有直接在最復(fù)雜、計算成本最高的模擬上訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而是首先基于更簡單的 ΛCDM 模擬進(jìn)行預(yù)訓(xùn)練，隨后再使用包含潛在新物理的更復(fù)雜模型進(jìn)行額外訓(xùn)練。

研究團(tuán)隊成員、普林斯頓大學(xué)宇宙學(xué)家 Adrian E. Bayer 表示：「這是一種捷徑，就像是先讀一本基礎(chǔ)教材，對知識有個大致概念，然后再去啃那本真正復(fù)雜的書。」

這種策略避免了 AI「一次性消化所有內(nèi)容」的負(fù)擔(dān)。效果十分顯著，在某些情況下，遷移學(xué)習(xí)將所需的高成本模擬數(shù)量減少了超過十分之九。

「捷徑」暗藏「陷阱」

雖然遷移學(xué)習(xí)顯著提高了研究效率，但研究團(tuán)隊發(fā)現(xiàn)這種捷徑是存在缺陷的，特別是在宇宙探索這種未知性極強(qiáng)的領(lǐng)域。類似于我們通過一本入門教材學(xué)習(xí)醫(yī)學(xué)，然后遇到一種與常見疾病極為相似的罕見病，我們極有可能會錯誤地將其判斷為常見病。

在某些情況下，新物理學(xué)的特征與標(biāo)準(zhǔn)宇宙模型中的模式相似，而經(jīng)過預(yù)訓(xùn)練的 AI 網(wǎng)絡(luò)可能會使用已有知識去解讀不熟悉的信息。要知道，往往正是這些「異常信息」蘊含著新物理學(xué)的奧秘。

研究團(tuán)隊在模擬大質(zhì)量中微子的過程中觀察到了這一效應(yīng)。中微子質(zhì)量產(chǎn)生的某些效應(yīng)與現(xiàn)有的 ΛCDM 參數(shù) σ8（描述宇宙中物質(zhì)聚集的強(qiáng)度）非常相似，預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)難以區(qū)分這兩種效應(yīng)。

下面兩幅圖像均來自該研究中使用的 Quijote 模擬。這兩幅圖展示了宇宙的同一區(qū)域，但分別對應(yīng)不同的宇宙學(xué)模型。上圖對應(yīng) ΛCDM 模型，下圖則展示了一個包含大質(zhì)量中微子和修正引力的宇宙。盡管差異細(xì)微，但它們揭示了底層物理機(jī)制的變化如何影響宇宙結(jié)構(gòu)的形成和分布。

這一發(fā)現(xiàn)揭示了將基礎(chǔ)模型理念應(yīng)用于物理學(xué)的潛在優(yōu)勢與局限。研究論文指出：「預(yù)訓(xùn)練可以加速推理，但同時也可能阻礙對新物理現(xiàn)象的學(xué)習(xí)。」

這是一個值得深思的問題，科學(xué)發(fā)現(xiàn)的關(guān)鍵就在于拓展知識邊界。人工智能因高效而成為探索未知的利器，但如果它過度依賴已有知識，便可能陷入「經(jīng)驗主義」的陷阱 —— 善于擬合已知，怯于觸碰未知。而真正的突破往往誕生于反常與例外之中。

參考鏈接：https://www.sciencedaily.com/releases/2026/06/260611024557.htm