Um novo estudo mostra que o aprendizado por transferência pode reduzir em mais de dez vezes os custos computacionais da busca por física além do modelo cosmológico padrão. A abordagem treina a IA primeiro em simulações mais simples antes de passar para as complexas. No entanto, ela pode levar a uma transferência negativa que prejudica a detecção de efeitos genuinamente novos.
Pesquisadores da Universidade de Princeton e do Flatiron Institute testaram o aprendizado por transferência em simulações de cosmologia. Eles pré-treinaram redes neurais em modelos padrão ΛCDM antes de aplicá-las a cenários envolvendo neutrinos massivos ou gravidade modificada.
Adrian Bayer, cosmólogo do Flatiron Institute e da Universidade de Princeton, descreveu o método como um atalho que evita o treinamento direto nas simulações mais custosas. Veena Krishnaraj, primeira autora do estudo e estudante de graduação em Princeton, observou que a estratégia evita que a IA processe tudo de uma só vez.
A equipe identificou casos de transferência negativa, nos quais os modelos pré-treinados tiveram dificuldade em distinguir sinais de uma nova física de padrões familiares, como aqueles ligados ao parâmetro σ8. Krishnaraj afirmou que esse problema decorre de degenerescências físicas subjacentes e requer mitigação.
As descobertas, publicadas no Journal of Cosmology and Astroparticle Physics, sugerem que o aprendizado por transferência poderia apoiar futuras pesquisas, mas, até o momento, foi testado apenas em simulações.