宇宙のスーパーコンピュータ・シミュレーションには、天文学的なコストがかかる。数十億もの銀河の進化を計算するには、強力な計算クラスターを数週間稼働させ続けなければならない。天体物理学者がこの定型的な作業を人工知能（AI）に委ねたのは、至極当然のことと言える。しかし、この合理化には裏の側面があった。計算の最適化を追求するあまり、新しい物理学への道が危うく閉ざされそうになったのである。
プリンストン大学とフラットアイアン研究所のビーナ・クリシュナラジ氏とエイドリアン・ベイヤー氏率いる研究チームは、宇宙論に「転移学習（transfer learning）」の手法を導入した。その基本原理は実に見事なもので、一から重いシミュレーションを行う代わりに、まずは標準的な宇宙モデル（Λ-CDM）に基づいた安価で簡便なモデルでニューラルネットワークを「訓練」する。その後、代替重力理論やニュートリノの質量が考慮された高度なモデルを用いて、AIにわずかな追加学習を施すという仕組みだ。
これにより実現したコスト削減は、極めて劇的であった。スーパーコンピュータの運用コストは、10分の1以下にまで激減した。これは画期的な進歩なのだろうか。答えは、手放しで肯定できるものではなかった。
研究チームが有名な仮想宇宙データセット「Quijote」を用いたところ、潜在的なシステムエラーが発見された。機械学習の分野では、これは「負の転移」と呼ばれている。ニューラルネットワークが根本的に新しい物理学の兆候に直面した際、それを自らの既知の経験に強引に当てはめようとしてしまうのである。
問題の核心は、「物理的な縮退」と呼ばれる現象にある。これは、全く異なる宇宙のプロセスが、望遠鏡の画像上では同一の指標として現れてしまう状況を指す。例えば、巨大なニュートリノが銀河団に与える影響は、標準的な物質密度の揺らぎ（パラメータ sigma Q 8）によるものと、視覚的にはほとんど区別がつかない。基本モデルで学習したAIは、見慣れたパターンを認識すると、「異常なし、これは標準的な宇宙だ」と自信を持って報告してしまう。つまり、新しい物理学のシグナルがアルゴリズムによってかき消されてしまうのだ。
この事実は、私たちに何を意味するのだろうか。宇宙の異常を探索する上で、AIの自律性に完全に依存することは、現時点では不可能だということだ。AIは日常業務を加速させる素晴らしいツールだが、逸脱を見抜くための最終的な監視役は、依然として人間が務める必要がある。
現在、この手法は合成モデルでテストされている段階だが、今後は新型光学望遠鏡が得る膨大なデータセットでの検証が控えている。この欠陥のメカニズムを理解することで、物理学者は学習アルゴリズムを適切に修正できるようになるだろう。将来的には、単に古い教科書の内容を追認するだけでなく、時空に対する私たちの理解を根底から変えるような異常を察知できる、より柔軟なシステムの構築につながるはずだ。
アルゴリズムに生じる「盲目化」の現象は、根本的に異なる宇宙のプロセスが観測上は同一の信号を発するという「物理的な縮退」に起因している。
これまで、この手法のテストはもっぱら合成データのみで行われてきた。次なるステップは、実際の夜空の観測データによる検証である。今回の研究は、AIは定型的な計算を数倍に加速できるものの、標準模型を超えた異常の最終的な探索には、人間による厳格な制御が不可欠であるという境界線を明確に示した。もしアルゴリズムが自らのデータベースを疑うように教育できれば、テクノロジーは仮説検証のさらなる高速化を私たちにもたらしてくれるだろう。
