Un nuevo estudio muestra que el aprendizaje por transferencia puede reducir en más de diez veces los costes computacionales de la búsqueda de física más allá del modelo cosmológico estándar. El enfoque entrena primero a la IA con simulaciones más sencillas antes de pasar a otras complejas. Sin embargo, puede conducir a una transferencia negativa que dificulte la detección de efectos genuinamente novedosos.
Investigadores de la Universidad de Princeton y del Flatiron Institute probaron el aprendizaje por transferencia en simulaciones cosmológicas. Preentrenaron redes neuronales en modelos ΛCDM estándar antes de aplicarlas a escenarios que involucraban neutrinos masivos o gravedad modificada. Adrian Bayer, cosmólogo del Flatiron Institute y de la Universidad de Princeton, describió el método como un atajo que evita entrenar directamente con las simulaciones más costosas. Veena Krishnaraj, autora principal del estudio y estudiante de grado en Princeton, señaló que la estrategia evita que la IA procese todo a la vez. El equipo identificó casos de transferencia negativa en los que los modelos preentrenados tenían dificultades para distinguir las señales de nueva física de patrones familiares, como los relacionados con el parámetro σ8. Krishnaraj afirmó que este problema se debe a degeneraciones físicas subyacentes y requiere mitigación. Los hallazgos, publicados en el Journal of Cosmology and Astroparticle Physics, sugieren que el aprendizaje por transferencia podría apoyar futuros estudios, aunque hasta ahora solo se ha probado en simulaciones.