ब्रह्मांड का सुपरकंप्यूटर सिमुलेशन तैयार करना खगोलीय रूप से बहुत महंगा काम है। अरबों आकाशगंगाओं के विकास की गणना करने के लिए शक्तिशाली कंप्यूटिंग क्लस्टर्स को हफ्तों मेहनत करनी पड़ती है। इसमें कोई आश्चर्य नहीं कि खगोल भौतिकविदों ने इस रूटीन काम को आर्टिफिशियल इंटेलिजेंस को सौंप दिया। लेकिन इस सिक्के का दूसरा पहलू भी है; गणनाओं के अनुकूलन ने नई भौतिकी के रास्ते लगभग बंद ही कर दिए थे।
वीना कृष्णराज और एड्रियन बायर के नेतृत्व में प्रिंसटन और फ्लैटआयरन इंस्टीट्यूट के शोधकर्ताओं की एक टीम ने कॉस्मोलॉजी में 'ट्रांसफर लर्निंग' (transfer learning) पद्धति को लागू करने का निर्णय लिया। इसका सिद्धांत काफी प्रभावशाली है: भारी-भरकम सिमुलेशन को शून्य से शुरू करने के बजाय, न्यूरल नेटवर्क को पहले मानक ब्रह्मांड (Λ CDM) के सरल और सस्ते मॉडल पर 'प्रशिक्षित' किया जाता है। इसके बाद, एआई को उन्नत मॉडलों पर थोड़ा और प्रशिक्षित किया जाता है, जहां वैकल्पिक गुरुत्वाकर्षण के नियम काम करते हैं या न्यूट्रिनो के द्रव्यमान को ध्यान में रखा जाता है।
इससे होने वाली बचत जबरदस्त रही। सुपरकंप्यूटर पर आने वाली लागत में दस गुना से अधिक की कमी आई। तो क्या यह एक बड़ी सफलता है? पूरी तरह से नहीं।
वैज्ञानिकों ने 'क्विजोत' (Quijote) नामक आभासी ब्रह्मांडों के प्रसिद्ध डेटासेट का उपयोग किया और एक छिपी हुई व्यवस्थित त्रुटि का पता लगाया। मशीन लर्निंग में इसे 'नेगेटिव ट्रांसफर' कहा जाता है। जब न्यूरल नेटवर्क का सामना मौलिक रूप से नई भौतिकी के लक्षणों से होता है, तो वह जिद के साथ उन्हें अपने पुराने ज्ञात अनुभवों के सांचे में ढालने की कोशिश करने लगता है।
समस्या 'भौतिक अध:पतन' (physical degeneracy) में छिपी है। यह ऐसी स्थिति है जहां पूरी तरह से अलग ब्रह्मांडीय प्रक्रियाएं टेलीस्कोप की तस्वीरों पर एक जैसे निशान छोड़ती हैं। उदाहरण के लिए, विशाल न्यूट्रिनो जिस तरह से आकाशगंगा समूहों को प्रभावित करते हैं, वह दिखने में पदार्थ के घनत्व के मानक उतार-चढ़ाव (सिग्मा 8 पैरामीटर) से लगभग मिलता-जुलता है। बुनियादी मॉडलों पर प्रशिक्षित एआई एक परिचित पैटर्न देखता है और विश्वास के साथ रिपोर्ट करता है: "सब कुछ ठीक है, यह एक मानक ब्रह्मांड है।" इस तरह नई भौतिकी के संकेतों को एल्गोरिदम द्वारा पूरी तरह मिटा दिया जाता है।
हमारे लिए इसका क्या अर्थ है? ब्रह्मांडीय विसंगतियों की खोज में फिलहाल हम न्यूरल नेटवर्क की स्वायत्तता पर पूरी तरह निर्भर नहीं हो सकते। एआई नियमित कार्यों को गति देने वाला एक बेहतरीन माध्यम तो है, लेकिन विचलन की खोज पर अंतिम नियंत्रण अभी भी मनुष्यों के पास ही है।
वर्तमान में इस पद्धति का परीक्षण कृत्रिम मॉडलों पर किया जा रहा है, लेकिन भविष्य में नए ऑप्टिकल टेलीस्कोपों से प्राप्त विशाल डेटासेट के साथ इसका परीक्षण होना है। इस दोष को समझने से भौतिकविदों को प्रशिक्षण एल्गोरिदम में सुधार करने में मदद मिलेगी। भविष्य में, यह अधिक लचीली प्रणालियों के निर्माण का मार्ग प्रशस्त करेगा, जो न केवल पुरानी पाठ्यपुस्तकों की पुष्टि करेंगी, बल्कि उन विसंगतियों को भी पहचानेंगी जो अंतरिक्ष और समय की हमारी समझ को बदल सकती हैं।
एल्गोरिदम के "अंधापन" का प्रभाव भौतिक अध:पतन के कारण होता है — एक ऐसी स्थिति जहां मौलिक रूप से भिन्न ब्रह्मांडीय प्रक्रियाएं एक जैसे दिखने वाले अवलोकन योग्य संकेत उत्पन्न करती हैं।
अभी तक इस पद्धति का परीक्षण केवल सिंथेटिक डेटा पर किया गया है। आगे रात के आकाश के वास्तविक सर्वेक्षणों के साथ इसका सत्यापन होना बाकी है। यह शोध स्पष्ट रूप से सीमाओं को रेखांकित करता है: एआई नियमित गणनाओं को कई गुना तेज करने में सक्षम है, लेकिन मानक मॉडल से परे विसंगतियों की अंतिम खोज के लिए अभी भी मानवीय निगरानी की सख्त आवश्यकता है। यदि हम एल्गोरिदम को अपने स्वयं के डेटाबेस पर संदेह करना सिखा सकें, तो तकनीक हमें परिकल्पनाओं के तेजी से परीक्षण की ओर ले जाएगी।
