Mô phỏng vũ trụ bằng siêu máy tính là một công việc tốn kém khủng khiếp. Để tính toán sự tiến hóa của hàng tỷ thiên hà, các cụm máy tính mạnh mẽ nhất phải vận hành liên tục trong nhiều tuần. Không ngạc nhiên khi các nhà vật lý thiên văn đã bàn giao công việc lặp đi lặp lại này cho trí tuệ nhân tạo. Tuy nhiên, đồng tiền nào cũng có mặt trái của nó. Việc tối ưu hóa các phép tính suýt chút nữa đã chặn đứng con đường dẫn đến những khám phá mới trong vật lý.
Nhóm nghiên cứu từ Princeton và Viện Flatiron dưới sự dẫn dắt của Veena Krishnaraj và Adrian Bayer đã quyết định áp dụng phương pháp học chuyển đổi (transfer learning) vào vũ trụ học. Nguyên lý của phương pháp này rất hay: thay vì chạy các mô phỏng nặng nề từ đầu, mạng thần kinh trước tiên được "huấn luyện" trên các mô hình vũ trụ tiêu chuẩn (Lambda CDM) đơn giản và rẻ tiền. Sau đó, AI được đào tạo bổ sung nhẹ nhàng trên các mô hình tiên tiến, nơi các định luật về trọng lực thay thế hoặc khối lượng của hạt neutrino được đưa vào tính toán.
Sự tiết kiệm thu về là vô cùng lớn. Chi phí dành cho siêu máy tính đã giảm xuống hơn mười lần. Một bước đột phá? Không hẳn là như vậy.
Các nhà khoa học đã sử dụng tập hợp vũ trụ ảo Quijote nổi tiếng và phát hiện ra một lỗi hệ thống ẩn giấu. Trong lĩnh vực học máy, người ta gọi đó là hiện tượng "chuyển đổi tiêu cực". Khi mạng thần kinh đối mặt với những biểu hiện của một nền vật lý hoàn toàn mới, nó bắt đầu bướng bỉnh điều chỉnh chúng sao cho khớp với những kinh nghiệm cũ mà nó đã có.
Vấn đề nằm ở hiện tượng gọi là sự suy thoái vật lý. Đây là tình huống khi các quá trình vũ trụ hoàn toàn khác biệt lại tạo ra các dấu hiệu nhận biết giống hệt nhau trên hình ảnh kính thiên văn. Ví dụ, cách mà các hạt neutrino khổng lồ tác động đến các cụm thiên hà về mặt hình ảnh gần như không thể phân biệt được với các dao động mật độ vật chất tiêu chuẩn (tham số sigma 8). Được huấn luyện trên các mô hình cơ bản, AI nhìn thấy một khuôn mẫu quen thuộc và tự tin thông báo: "Mọi thứ đều ổn, đây là vũ trụ tiêu chuẩn". Tín hiệu của nền vật lý mới đơn giản là bị thuật toán xóa nhòa.
Điều này có ý nghĩa gì đối với chúng ta? Hiện tại, chúng ta chưa thể tin tưởng hoàn toàn vào sự tự chủ của mạng thần kinh trong việc tìm kiếm các dị thường vũ trụ. AI là một công cụ tăng tốc tuyệt vời cho những công việc thường nhật, nhưng quyền kiểm soát cuối cùng đối với việc tìm kiếm các sai lệch vẫn thuộc về con người.
Hiện phương pháp này đang được thử nghiệm trên các mô hình tổng hợp, nhưng phía trước là thử thách với các tập dữ liệu khổng lồ từ những kính thiên văn quang học mới. Việc hiểu rõ khiếm khuyết này sẽ giúp các nhà vật lý điều chỉnh lại các thuật toán huấn luyện. Về lâu dài, điều này dẫn đến việc tạo ra các hệ thống linh hoạt hơn, có khả năng không chỉ xác nhận các kiến thức trong sách giáo khoa cũ mà còn phát hiện ra những dị thường sẽ thay đổi hiểu biết của chúng ta về không gian và thời gian.
Hiệu ứng "che mắt" của các thuật toán bắt nguồn từ sự suy thoái vật lý — một tình trạng mà các quá trình vũ trụ khác biệt về bản chất lại tạo ra các tín hiệu quan sát giống hệt nhau.
Cho đến nay, phương pháp này mới chỉ được thử nghiệm thuần túy trên dữ liệu tổng hợp. Phía trước là bước kiểm tra với những cuộc khảo sát thực tế về bầu trời đêm. Nghiên cứu này vạch rõ các ranh giới: AI có thể tăng tốc gấp nhiều lần các phép tính thông thường, nhưng việc tìm kiếm cuối cùng các dị thường ngoài Mô hình Chuẩn vẫn đòi hỏi sự kiểm soát chặt chẽ từ con người. Công nghệ đang đưa chúng ta đến việc thử nghiệm các giả thuyết nhanh hơn, nếu chúng ta dạy cho các thuật toán biết hoài nghi chính cơ sở dữ liệu của mình.
