Суперкомпьютерное моделирование Вселенной — штука астрономически дорогая. Чтобы рассчитать эволюцию миллиардов галактик, требуются недели работы мощнейших вычислительных кластеров. Неудивительно, что астрофизики передали эту рутину искусственному интеллекту. Но у медали оказалась обратная сторона. Оптимизация вычислений едва не закрыла дорогу новой физике.
Команда исследователей из Принстона и Института Флатирон под руководством Вины Кришнарадж и Адриана Байера решила применить в космологии метод переноса обучения (transfer learning). Принцип красивый: вместо того чтобы гонять тяжелые симуляции с нуля, нейросеть сначала «натаскивают» на простых и дешевых моделях стандартной Вселенной (Λ CDM). Затем ИИ слегка дообучают на продвинутых моделях, где работают законы альтернативной гравитации или учитывается масса нейтрино.
Экономия вышла колоссальной. Затраты на суперкомпьютеры упали более чем в десять раз. Прорыв? Не совсем.
Ученые использовали знаменитый массив виртуальных вселенных Quijote и обнаружили скрытую системную ошибку. В машинном обучении ее называют «негативным переносом». Когда нейросеть сталкивается с проявлениями принципиально новой физики, она начинает упрямо подгонять их под уже известный ей старый опыт.
Проблема кроется в так называемом физическом вырождении. Это ситуация, когда совершенно разные космические процессы дают идентичные маркеры на снимках телескопов. Например, то, как массивные нейтрино влияют на скопления галактик, визуально почти неотличимо от стандартных колебаний плотности материи (параметра sigma Q 8). Обученный на базовых моделях ИИ видит знакомый паттерн и уверенно рапортует: «Все в порядке, это стандартная Вселенная». Сигнал новой физики просто стирается алгоритмом.
Что это означает для нас? Полностью полагаться на автономию нейросетей в поиске космических аномалий пока нельзя. ИИ — великолепный ускоритель рутины, но финальный контроль за поиском отклонений остается за человеком.
Сейчас метод тестируется на синтетических моделях, но впереди — проверка огромными массивами данных с новых оптических телескопов. Понимание этого дефекта позволит физикам скорректировать алгоритмы обучения. В перспективе это ведет к созданию более гибких систем, способных не просто подтверждать старые учебники, но и замечать аномалии, которые изменят наше понимание пространства и времени.
Эффект «ослепления» алгоритмов обусловлен физическим вырождением — ситуацией, когда принципиально разные космические процессы дают идентичные наблюдаемые сигналы.
Пока метод тестировался исключительно на синтетических данных. Впереди — проверка реальными обзорами ночного неба. Это исследование четко обозначает границы: ИИ способен кратно ускорить рутинные расчеты, но финальный поиск аномалий за пределами Стандартной модели все еще требует жесткого контроля со стороны человека. Технологии ведут нас к более быстрому тестированию гипотез, если мы научим алгоритмы сомневаться в собственных базах данных.
