En ny studie visar att transfer learning kan minska beräkningskostnaderna för att söka efter fysik utanför den standardkosmologiska modellen med mer än en faktor tio. Metoden innebär att AI tränas på enklare simuleringar innan den går vidare till mer komplexa. Det kan dock leda till negativ överföring som försvårar upptäckten av genuint nya effekter.
Forskare vid Princeton University och Flatiron Institute har testat transfer learning i kosmologiska simuleringar. De förtränade neurala nätverk på standardmodeller av typen ΛCDM innan de tillämpade dem på scenarier som involverar massiva neutriner eller modifierad gravitation.
Adrian Bayer, kosmolog vid Flatiron Institute och Princeton University, beskrev metoden som en genväg för att slippa träna direkt på de mest resurskrävande simuleringarna. Veena Krishnaraj, studiens huvudförfattare och student vid Princeton, noterade att strategin förhindrar att AI:n bearbetar all information på en gång.
Teamet identifierade fall av negativ överföring där förtränade modeller hade svårt att skilja nya fysikaliska signaler från välkända mönster, såsom de som är kopplade till parametern σ8. Krishnaraj sade att problemet härrör från underliggande fysikaliska degenereringar och kräver åtgärder.
Resultaten, som publicerats i Journal of Cosmology and Astroparticle Physics, tyder på att transfer learning skulle kunna stödja framtida undersökningar, men metoden har hittills endast testats i simuleringar.