AI掌握宇宙规律：为何成为棘手问题？三大核心挑战与应对策略解析

Quijote模拟生成的两幅对比图像展示了同一片宇宙区域，但基于截然不同的宇宙学框架。上图采用标准ΛCDM模型，下图则引入大质量中微子与修正引力。这些差异极为细微，却清晰揭示了基础物理变化对宇宙结构形成与分布的影响。图片来源：Francisco Villaescusa-Navarro

人工智能或许能加速新物理现象的探索，但它也可能因掌握过多先验知识，而对眼前的新鲜事物视而不见。

《宇宙学与天体粒子物理学杂志》（JCAP）发表的一项新研究表明，AI有望大幅降低搜寻新物理定律的经济成本与计算开销。但研究同时揭示了一个潜在隐患：当AI过度依赖先前训练时，可能难以识别真正的新现象。

目前，AI已成为宇宙学研究中不可或缺的工具，帮助科研人员梳理宇宙海量数据。然而，探索超越当前主流ΛCDM模型的理论构想，依然面临极其高昂的计算挑战。

尽管ΛCDM模型成功解释了宇宙膨胀、星系大尺度分布等众多观测特征，但科学家普遍认为它并非宇宙的完整终章。近期观测表明，大质量中微子、修正引力、演化暗能量等现象，都可能指向标准模型之外的全新物理规律。

为验证这些可能性，研究人员需要生成大量基于不同物理假设的虚拟宇宙模拟。而构建这些模拟通常需要耗费巨大的计算资源与漫长时间。

迁移学习：加速探索的捷径

为缓解计算负担，研究人员尝试了迁移学习这一机器学习方法。核心思路是：让AI系统将一项任务中学到的知识迁移至另一项相关任务，从而实现更高效的训练。AI不再从零起步，而是站在已有知识的基础上继续推进。

在该研究中，团队首先用基于ΛCDM模型的模拟数据训练了一个神经网络。这一初始训练阶段称为预训练，旨在让AI接触可能包含新物理的复杂宇宙学模型之前，先建立基础认知。

“这本质上是一条捷径，”该研究合著者、Flatiron研究所与普林斯顿大学的宇宙学家Adrian Bayer解释道。“常规做法是直接在计算最昂贵的模拟上训练AI。我们换了个思路：先用计算成本较低的ΛCDM模拟让AI掌握基本规律，再转向更复杂的模型。”他把这个过程比作教科书学习：“先读基础书把握要点，再啃真正复杂的教材。”

普林斯顿大学本科生、论文第一作者Veena Krishnaraj表示，这种方法能有效避免AI一次性消化全部信息带来的压力。实践证明这一策略极为有效——在某些场景下，迁移学习将所需的高成本模拟次数减少了超过十倍。

当已有知识成为绊脚石

这项研究也揭示了一个不易察觉的挑战：负迁移。

借用Bayer的教科书类比：医学生从入门教材中学到常见病知识，但后来遇到一种与常见病高度相似的罕见病。已有知识通常有帮助，但有时也会导向错误判断。

AI系统也会出现类似问题。新物理产生的某些信号可能与AI从标准宇宙学模型中已学到的模式高度相似。此时，AI倾向于通过早期训练的视角解读新信息，从而更难识别出真正异常的信号。

研究人员在分析包含大质量中微子的模拟时观察到了这一效应。原因在于，中微子质量的部分可观测结果与ΛCDM模型中一个名为σ8的参数（衡量物质聚集强度）带来的变化极为相似。由于两种效应看起来几乎无异，预训练的神经网络起初难以区分它们。

“负迁移并非随机出现，它由模型中潜在的物理退化所驱动，”Krishnaraj解释。换言之，不同物理参数可能产生几乎相同的可观测特征，导致AI无法正确区分。因此，“这是一个需要我们关注并努力缓解的问题，”她总结道。

未来宇宙学：机遇与风险并存

这些研究结果恰如其分地说明了将基础模型策略应用于物理学的优势与潜在隐患。这类方法在概念上与现代生成式AI和大型语言模型所采用的技术不谋而合。

正如作者在论文中指出的，预训练可以加速推理，但也可能妨碍对新物理的学习。

目前，该方法仅在模拟环境中验证。但研究人员认为，它为未来应用于真实天文观测奠定了重要基础。随着下一代宇宙学调查开始产出前所未有的高精度、大规模数据，迁移学习的价值将愈发凸显。只要谨慎使用，它就能帮助科学家更高效地分析这些信息，同时持续探索超越标准模型的新物理学。

论文《超越标准模型的迁移学习》（作者：Veena Krishnaraj、Adrian E. Bayer、Christian Kragh Jespersen、Peter Melchior）已在JSTAT上发表。

相关知识

宇宙是包含时间、空间及所有物质与能量的整体，涵盖恒星、行星、星系等各类天体。它约138亿年前由大爆炸诞生，至今仍在持续膨胀。其浩瀚与神秘吸引着人类不断探索未知的边界——从微观粒子到宏观星系，宇宙的奥秘等待着更多发现。