Evrenin süper bilgisayar simülasyonları astronomik düzeyde maliyetli bir iştir. Milyarlarca galaksinin evrimini hesaplamak, en güçlü hesaplama kümelerinin haftalarca çalışmasını gerektiriyor. Astrofizikçilerin bu rutin işi yapay zekaya devretmiş olması şaşırtıcı değil. Ancak madalyonun bir de öteki yüzü var. Hesaplamaların optimize edilmesi, yeni fiziğin yolunu neredeyse kapatıyordu.
Princeton ve Flatiron Enstitüsü'nden Vina Krishnaraj ve Adrian Bayer liderliğindeki bir araştırma ekibi, kozmolojide "transfer öğrenme" (transfer learning) yöntemini uygulamaya karar verdi. İlke oldukça etkileyici: Ağır simülasyonları sıfırdan çalıştırmak yerine, sinir ağı önce standart evrenin (Λ CDM) basit ve düşük maliyetli modelleri üzerinde "eğitiliyor". Ardından yapay zeka, alternatif yerçekimi yasalarının işlediği veya nötrino kütlesinin hesaba katıldığı gelişmiş modellerle kısa süreli bir ek eğitime tabi tutuluyor.
Elde edilen tasarruf devasa boyutlara ulaştı. Süper bilgisayar maliyetleri on kattan fazla azaldı. Bu bir devrim mi? Tam olarak değil.
Bilim insanları ünlü "Quijote" sanal evrenler dizisini kullandılar ve gizli bir sistemsel hata tespit ettiler. Makine öğreniminde bu durum "negatif transfer" olarak adlandırılıyor. Sinir ağı, temelden yeni fiziksel olgularla karşılaştığında, bunları inatla zaten bildiği eski deneyimlerine uydurmaya çalışıyor.
Sorun, "fiziksel dejenerasyon" olarak bilinen kavramda yatıyor. Bu, tamamen farklı kozmik süreçlerin teleskop görüntülerinde özdeş izler bırakması durumudur. Örneğin, devasa nötrinoların galaksi kümeleri üzerindeki etkisi, maddenin standart yoğunluk dalgalanmalarından (sigma Q 8 parametresi) görsel olarak neredeyse ayırt edilemez. Temel modellerle eğitilen yapay zeka tanıdık bir örüntü görüyor ve güvenle raporluyor: "Her şey yolunda, bu standart bir evren." Yeni fiziğin sinyali ise algoritma tarafından adeta siliniyor.
Bu bizim için ne anlama geliyor? Kozmik anomalileri bulma konusunda yapay zekanın özerkliğine şimdilik tamamen güvenmek mümkün değil. Yapay zeka rutini hızlandırmak için mükemmel bir araç olsa da, sapmaları tespit etmedeki nihai kontrol hala insana ait.
Şu anda yöntem sentetik modeller üzerinde test ediliyor ancak sırada yeni optik teleskoplardan gelecek devasa veri kümeleriyle yapılacak incelemeler var. Bu kusurun anlaşılması, fizikçilerin eğitim algoritmalarını düzeltmelerine olanak tanıyacak. Gelecekte bu, sadece eski ders kitaplarını doğrulamakla kalmayan, aynı zamanda uzay ve zaman anlayışımızı değiştirecek anomalileri fark edebilen daha esnek sistemlerin kurulmasını sağlayacaktır.
Algoritmaların "körleşme" etkisi, temelde farklı kozmik süreçlerin özdeş gözlemlenebilir sinyaller üretmesi durumu olan fiziksel dejenerasyondan kaynaklanmaktadır.
Yöntem şimdiye kadar yalnızca sentetik veriler üzerinde test edildi. Sırada, gece gökyüzünün gerçek gözlemleriyle yapılacak testler var. Bu araştırma sınırları net bir şekilde çiziyor: Yapay zeka rutin hesaplamaları katbekat hızlandırabilir ancak Standart Model dışındaki anomalilerin nihai arayışı hala insanın sıkı denetimini gerektiriyor. Eğer algoritmaları kendi veri tabanlarından şüphe duymaya alıştırabilirsek, teknolojiler bizi hipotezlerin daha hızlı test edilmesine götürecektir.
