Sebuah studi baru menunjukkan bahwa transfer learning dapat mengurangi biaya komputasi dalam mencari fisika di luar model kosmologi standar hingga lebih dari sepuluh kali lipat. Pendekatan ini melatih AI terlebih dahulu pada simulasi yang lebih sederhana sebelum beralih ke simulasi yang kompleks. Namun, hal ini dapat menyebabkan transfer negatif yang menghambat deteksi efek yang benar-benar baru.
Para peneliti di Universitas Princeton dan Flatiron Institute menguji transfer learning dalam simulasi kosmologi. Mereka melatih jaringan saraf terlebih dahulu pada model standar ΛCDM sebelum menerapkannya pada skenario yang melibatkan neutrino masif atau gravitasi yang dimodifikasi.
Adrian Bayer, seorang kosmolog di Flatiron Institute dan Universitas Princeton, menggambarkan metode ini sebagai jalan pintas yang menghindari pelatihan langsung pada simulasi yang paling mahal. Veena Krishnaraj, penulis pertama studi tersebut sekaligus mahasiswa sarjana di Princeton, mencatat bahwa strategi ini mencegah AI untuk memproses semuanya sekaligus.
Tim tersebut mengidentifikasi kasus transfer negatif di mana model yang telah dilatih sebelumnya kesulitan membedakan sinyal fisika baru dari pola yang familier, seperti yang terkait dengan parameter σ8. Krishnaraj mengatakan masalah ini berasal dari degenerasi fisik yang mendasarinya dan memerlukan mitigasi.
Temuan ini, yang diterbitkan dalam Journal of Cosmology and Astroparticle Physics, menunjukkan bahwa transfer learning dapat mendukung survei di masa depan namun sejauh ini baru diuji dalam simulasi.