Simulasi superkomputer tentang alam semesta adalah hal yang luar biasa mahal secara astronomis. Untuk menghitung evolusi miliaran galaksi, dibutuhkan waktu berminggu-minggu kerja klaster komputasi yang paling kuat. Maka tidak mengherankan jika para astrofisikawan menyerahkan rutinitas ini kepada kecerdasan buatan. Namun, medali ini ternyata memiliki sisi sebaliknya. Optimasi komputasi ini nyaris menutup jalan bagi penemuan fisika baru.
Tim peneliti dari Princeton dan Flatiron Institute di bawah pimpinan Veena Krishnaraj dan Adrian Bayer memutuskan untuk menerapkan metode pembelajaran transfer (transfer learning) dalam kosmologi. Prinsipnya menarik: alih-alih menjalankan simulasi berat dari awal, jaringan saraf terlebih dahulu "dilatih" pada model sederhana dan murah dari alam semesta standar (Λ CDM). Kemudian, AI tersebut sedikit dilatih ulang pada model-model canggih yang menerapkan hukum gravitasi alternatif atau mempertimbangkan massa neutrino.
Penghematan yang dihasilkan sangat besar. Biaya penggunaan superkomputer turun lebih dari sepuluh kali lipat. Apakah ini sebuah terobosan? Tidak sepenuhnya demikian.
Para ilmuwan menggunakan gugus alam semesta virtual Quijote yang terkenal dan menemukan kesalahan sistemik yang tersembunyi. Dalam pembelajaran mesin, hal ini disebut sebagai "transfer negatif". Ketika jaringan saraf berhadapan dengan manifestasi fisika yang secara fundamental baru, ia mulai dengan keras kepala mencocokkannya dengan pengalaman lama yang sudah diketahuinya.
Masalahnya terletak pada apa yang disebut sebagai degenerasi fisik. Ini adalah situasi di mana proses kosmik yang sangat berbeda menghasilkan penanda yang identik pada citra teleskop. Sebagai contoh, pengaruh neutrino masif terhadap gugus galaksi secara visual hampir tidak dapat dibedakan dari fluktuasi kepadatan materi standar (parameter sigma 8). AI yang dilatih pada model dasar melihat pola yang familiar dan dengan percaya diri melaporkan: "Semuanya normal, ini adalah alam semesta standar." Sinyal fisika baru pun terhapus begitu saja oleh algoritma tersebut.
Apa artinya ini bagi kita? Kita belum bisa sepenuhnya mengandalkan otonomi jaringan saraf dalam mencari anomali kosmik. AI adalah akselerator rutinitas yang luar biasa, namun kendali akhir untuk mencari penyimpangan tetap berada di tangan manusia.
Saat ini metode tersebut sedang diuji pada model sintetis, namun ke depannya akan ada pengujian dengan kumpulan data besar dari teleskop optik baru. Pemahaman tentang cacat ini akan memungkinkan para fisikawan untuk mengoreksi algoritma pembelajaran. Dalam jangka panjang, hal ini mengarah pada penciptaan sistem yang lebih fleksibel, yang mampu tidak sekadar mengonfirmasi buku teks lama, tetapi juga menyadari anomali yang akan mengubah pemahaman kita tentang ruang dan waktu.
Efek "kebutaan" algoritma ini disebabkan oleh degenerasi fisik—sebuah situasi di mana proses kosmik yang secara fundamental berbeda menghasilkan sinyal observasi yang identik.
Sejauh ini, metode ini baru diuji secara eksklusif pada data sintetis. Langkah selanjutnya adalah pengujian dengan survei langit malam yang nyata. Penelitian ini dengan jelas menetapkan batasan: AI mampu mempercepat perhitungan rutin secara berlipat ganda, namun pencarian akhir untuk anomali di luar Model Standar masih memerlukan pengawasan ketat dari manusia. Teknologi membawa kita menuju pengujian hipotesis yang lebih cepat, asalkan kita mengajarkan algoritma untuk meragukan basis data mereka sendiri.
