בינה מלאכותית למדה כיצד פועל היקום – וזה יצר בעיה בלתי צפויה עבור פיזיקאים

כאשר הקוסמולוגיה עולה לכותרות, אנו רואים לעתים קרובות תמונות מפוארות של מפות קוסמיות וסופרנובות. אבל במציאות, מדענים צריכים לנפות מאות או אלפי חישובים וסימולציות במשך חודשים או שנים. במאמץ להפחית את הנטל הזה, כמה מדענים פנו לבינה מלאכותית – אבל, כפי שמצא מחקר חדש, היתרונות והחסרונות הם די בניואנסים.

ב א לִלמוֹד שפורסם מוקדם יותר החודש בכתב העת Journal of Cosmology and Astroparticle Physics, קוסמולוגים אימנו רשת עצבית בינה מלאכותית על סימולציות של ΛCDM – המודל הסטנדרטי של הקוסמולוגיה (להלן המודל הסטנדרטי). לאחר מכן, הצוות בדק האם אימון מקדים זה יעזור או יפגע בחקירות הבאות של הבינה המלאכותית על בעיות בולטות אחרות בקוסמולוגיה ובאסטרופיזיקה. למרות שה-AI הוכיח הבטחה מסוימת, הוא פיתח הטיות שבסופו של דבר הזיקו למציאת פיזיקה חדשה.

המחקר הוא "דוגמה נחמדה לאופן שבו AI יכול לעזור למדע לנוע מהר יותר כאשר משתמשים בו בצורה מובנית", אדריאן אי באיירמחבר המחקר וקוסמולוגית במכון פלטירון ובאוניברסיטת פרינסטון, אמר ל-Gizmodo. "במקביל, המחקר הוא תזכורת לכך שהאצה והבנה צריכות ללכת ביחד".

האמת היקרה

פריצות דרך קוסמולוגיות נוטות להיות יקרות וגוזלות זמן. כפי שאמר דובר שותף של מכשיר ספקטרוסקופי של אנרגיה אפלה (DESI), וויל פרסיבל, ל-Gizmodo עוד באפריל, הכנת מערכי נתונים לניתוח מדעי כרוכה ביצירת יקומים וגלקסיות מדומה ולאחר מכן הפעלת סימולציות כבדיקות שפיות. תהליכים אלו חיוניים להסקת מסקנות רציניות מתצפיות מתקדמות.

אבל סימולציות של מודלים מעבר למודל הסטנדרטי – הרחבות הכוללות ניטרינו מאסיביים, אנרגיה אפלה מתפתחת או כוח משיכה שונה – גם יקרות מאוד, אמר באייר ל-Gizmodo. יחד עם זאת, בדיקת התרחישים האלטרנטיביים הללו, ללא קשר לשאלה אם הם בסופו של דבר נכונים, היא קריטית לקידום הבנתנו את הקוסמוס. המוטיבציה המעשית הזו היא שהובילה את באייר לחפש "שיטות שיכולות ללמוד ביעילות מבלי לדרוש חבילות סימולציה ענקיות חדשות לכל תרחיש".

העברות מהמורות?

לצורך הניסוי, הצוות השתמש באסטרטגיית למידת מכונה הנקראת למידת העברה. בגישה זו, מודל לומד תחילה ממשימה או מערך נתונים אחד – הדמיות של המודל הסטנדרטי – ומיישם את הידע הזה כדי ללמוד משימה קשורה או גרסאות מורחבות של המודל הסטנדרטי הכוללות רעיונות מבטיחים לפיזיקה חדשה.

לדברי באייר, הבינה המלאכותית תפקדה די טוב מבחינת הבנת המודל הסטנדרטי המבוסס על פחות סימולציות, פחות יקרות. עם זאת, היא החלה להיאבק כאשר פיזיקה חדשה "חופפת לכיוונים שבהם היא כבר למדה [the standard model] מרחב פרמטרים", הוא ציין. תופעה זו, שנקראת העברה שלילית, הופיעה כאשר הבינה המלאכותית הפכה מוטה ולא הצליחה להבחין בין שתי השפעות פיזיקליות שונות שמייצרות דפוסים דומים בנתונים. אז במקום לזהות משהו חדש מטבעו, הבינה המלאכותית הסתמכה על דברים שכבר למדה, מה שגרם לו להחמיץ רמזים פוטנציאליים שמעבר למודל הרמז על הפיזיקה.

"תוצאת ההעברה השלילית מרתקת כי היא מראה שהמודל אינו נכשל באופן אקראי", הוסיף באייר. "ההבנה מתי למידת העברה עוזרת ומתי היא מחזקת את הניוונים הללו חשובה מאוד לשימוש אמין של AI בניתוחים קוסמולוגיים עתידיים."

AI וקוסמולוגיה

עבור באייר, הממצאים האחרונים מאששים את התפיסה הלא כל כך חדשנית שבינה מלאכותית יכולה להיות מועילה, אבל מומחים אנושיים חייבים לעקוב בקפידה אחר החישובים שלה כדי להבין ולבדוק שאלות רלוונטיות.

"למידת העברה יכולה לתת לבינה מלאכותית התחלה חזקה, ומאפשרת לנו לבדוק הרבה יותר רעיונות על היקום ממה שהיה מעשי אחרת", אמר. "אבל אם מודל נושא ידע מסביבה אחת לאחרת, עלינו להבין מה הוא העביר – מתי הידע הזה עוזר ומתי הוא עלול להטעות."

בשלב הבא, באייר ועמיתיו מתכננים לערוך ניסויים דומים בהגדרות ש"דומות יותר לנתוני סקר בפועל" הכוללות "אי-ודאות בהיווצרות גלקסיות, מסכות סקר ורעש". בנוסף, הצוות רוצה לבחון אילו חקירות קוסמולוגיות יכולות להועיל ביותר מלמידה בהעברה.