以超級電腦進行宇宙模擬是一項成本極其昂貴的工程。若要計算數十億個星系的演化過程，往往需要最強大的運算集群連續運作數週。因此，天體物理學家將這類例行工作交給人工智慧處理，也就不足為奇了。然而，這把雙面刃在優化計算的同時，卻也險些堵死了通往新物理學的大門。
由維娜·克里希納拉傑（Veena Krishnaraj）與亞德里安·拜爾（Adrian Bayer）領導的普林斯頓大學及弗拉提倫研究所科研團隊，決定將「遷移學習」（transfer learning）法應用於宇宙學。其原理相當精妙：神經網路不再從零開始執行沉重的模擬，而是先在成本低廉且簡單的標準宇宙模型（Λ CDM）上進行預演。隨後，研究人員再針對替代引力定律或考量微中子質量的進階模型，對人工智慧進行微調。
這種做法節省了巨額開支。超級電腦的運算成本降低了十倍以上。這算是一項突破嗎？恐怕不全然是。
科學家利用著名的「唐吉訶德」（Quijote）虛擬宇宙數據集進行研究，並發現了一個隱藏的系統性錯誤。在機器學習領域，這被稱為「負遷移」。當神經網路遇見本質上屬於新物理現象的特徵時，它會固執地嘗試將其套入已知的舊經驗中。
問題的核心在於所謂的「物理簡併」。這指的是截然不同的宇宙過程，卻在望遠鏡影像中呈現出完全相同的特徵。例如，大質量微中子對星系團的影響，在視覺上幾乎與標準的物質密度波動（即 sigma Q 8 參數）無異。受過基礎模型訓練的人工智慧在看到熟悉的模式時，會自信地回報：「一切正常，這是標準宇宙。」新物理的訊號就這樣被演算法抹除了。
這對我們意味著什麼？在搜尋宇宙異常現象時，目前還不能完全依賴人工智慧的自主判斷。人工智慧固然是處理瑣碎工作的優異加速器，但尋找偏差現象的最終主導權仍須保留在人類手中。
目前該方法正在合成模型上進行測試，但未來仍需經受新型光學望遠鏡海量數據的檢驗。釐清這項缺陷將有助於物理學家修正訓練演算法。長遠來看，這將催生出更靈活的系統，使其不僅能驗證舊有教材，還能察覺將改變我們對時空認知的異常現象。
演算法產生的「盲點」源於物理簡併現象，亦即本質上完全不同的宇宙過程，卻產生了完全一致的觀測訊號。
截至目前，該方法僅在合成數據上完成了測試。下一步則將面臨真實星空巡天資料的檢驗。這項研究明確劃定了界限：人工智慧雖能倍增例行計算的速度，但在標準模型之外搜尋異常現象時，仍需人類嚴加監管。如果我們能教會演算法質疑自身的數據庫，科技將引領我們邁向更快速的假說驗證之路。
