Simulações de supercomputadores do Universo são astronomicamente caras. Para calcular a evolução de bilhões de galáxias, são necessárias semanas de trabalho em clusters de computação de alta potência. Não surpreende que os astrofísicos tenham delegado essa rotina à inteligência artificial. No entanto, a medalha tem um verso. A otimização dos cálculos quase fechou o caminho para a descoberta de uma nova física.
Uma equipe de pesquisadores de Princeton e do Instituto Flatiron, liderada por Veena Krishnaraj e Adrian Bayer, decidiu aplicar o método de aprendizado por transferência (transfer learning) na cosmologia. O princípio é elegante: em vez de rodar simulações pesadas do zero, a rede neural é primeiro "treinada" em modelos simples e baratos do Universo padrão (Λ CDM). Em seguida, a IA é levemente aprimorada em modelos avançados, onde operam leis de gravidade alternativa ou onde a massa dos neutrinos é levada em conta.
A economia foi colossal. Os gastos com supercomputadores caíram mais de dez vezes. Um avanço definitivo? Não exatamente.
Os cientistas utilizaram o famoso conjunto de universos virtuais Quijote e descobriram um erro sistemático oculto. No aprendizado de máquina, isso é chamado de "transferência negativa". Quando a rede neural se depara com manifestações de uma física fundamentalmente nova, ela começa a ajustá-las obstinadamente à experiência antiga que já conhece.
O problema reside na chamada degenerescência física. Trata-se de uma situação em que processos cósmicos completamente distintos geram marcadores idênticos nas imagens de telescópios. Por exemplo, a forma como os neutrinos massivos influenciam os aglomerados de galáxias é visualmente quase indistinguível das flutuações padrão de densidade da matéria (o parâmetro sigma 8). A IA treinada em modelos básicos reconhece um padrão familiar e relata com confiança: "Está tudo certo, este é o Universo padrão". O sinal da nova física é simplesmente apagado pelo algoritmo.
O que isso significa para nós? Ainda não se pode confiar totalmente na autonomia das redes neurais para encontrar anomalias cósmicas. A IA é um excelente acelerador de tarefas rotineiras, mas o controle final sobre a busca por desvios permanece nas mãos humanas.
Atualmente, o método está sendo testado em modelos sintéticos, mas o próximo passo é a validação com enormes conjuntos de dados de novos telescópios ópticos. A compreensão deste defeito permitirá que os físicos corrijam os algoritmos de aprendizado. No futuro, isso levará à criação de sistemas mais flexíveis, capazes não apenas de confirmar os livros didáticos antigos, mas de notar anomalias que mudarão nossa compreensão do espaço e do tempo.
O efeito de "cegueira" dos algoritmos é causado pela degenerescência física — uma situação em que processos cósmicos fundamentalmente diferentes produzem sinais observados idênticos.
Até agora, o método foi testado exclusivamente em dados sintéticos. O futuro reserva a verificação com mapeamentos reais do céu noturno. Esta pesquisa define claramente os limites: a IA pode acelerar drasticamente os cálculos rotineiros, mas a busca final por anomalias além do Modelo Padrão ainda exige um controle rigoroso por parte do homem. As tecnologias nos conduzem a testes de hipóteses mais rápidos, desde que ensinemos os algoritmos a duvidar de seus próprios bancos de dados.
