新たな研究により、標準宇宙論モデルを超える物理学の探索において、転移学習を用いることで計算コストを10分の1以下に削減できることが示された。この手法では、AIをまず単純なシミュレーションで学習させてから複雑なものへと移行する。しかし、この手法は負の転移を引き起こし、真に斬新な効果の検出を妨げる可能性がある。
プリンストン大学とフラットアイアン研究所の研究チームは、宇宙論シミュレーションにおける転移学習の検証を行った。研究チームは、まず標準的なΛCDMモデルでニューラルネットワークを事前学習させ、その後、巨大ニュートリノや修正重力理論を含むシナリオに適用した。フラットアイアン研究所およびプリンストン大学の宇宙論学者であるエイドリアン・ベイヤー氏は、この手法を、最も計算コストの高いシミュレーションで直接学習することを避けるための近道だと説明した。筆頭著者であるプリンストン大学学部生のヴィーナ・クリシュナラージ氏は、この戦略によってAIが一度にすべてを処理する負担を軽減できると指摘した。チームは、事前学習済みモデルが新たな物理現象の信号を、σ8パラメータに関連するような馴染み深いパターンと区別するのに苦労する「負の転移」の事例を確認した。クリシュナラージ氏によれば、この問題は根底にある物理的な縮退に起因しており、対策が必要であるという。Journal of Cosmology and Astroparticle Physicsに掲載されたこの研究結果は、転移学習が将来の観測調査を支援できる可能性を示唆しているが、現時点ではシミュレーション内での検証にとどまっている。