الذكاء الاصطناعي يتعلم الكون ببراعة شديدة: وعد ومزالق التعلم بالنقل في علم الكونيات

ولإعطاء الشبكة المساحة الكافية لاستيعاب فيزياء جديدة كليًا، عزز الفريق البنية بإضافة عقد 'وهمية' تُسمى عقد عنق الزجاجة (bottleneck nodes). تعمل هذه المعاملات الإضافية كموصلات فارغة أثناء التدريب المُسبق، يتم ملؤها لاحقًا ببصمات الفيزياء الغريبة خلال مرحلة الضبط الدقيق .

طفرة في الكفاءة بعشرة أضعاف

كانت النتائج مذهلة. في الحالات المواتية، نجح نهج التعلم بالنقل هذا في خفض عدد المحاكاة باهظة الثمن المطلوبة لنماذج 'ما وراء النموذج القياسي' بأكثر من عشرة أضعاف، مع الاستمرار في تمكين استدلال قوي . بشكل فعال، يُحول هذا الاستثمار العالمي الحالي في محاكاة النموذج القياسي إلى مورد قابل لإعادة الاستخدام للاكتشافات المستقبلية، متجاوزًا بذلك عنق زجاجة رئيسي لتجارب كبرى مثل مسح الطاقة المظلمة (DESI) .

الخطر الخفي: 'النقل السلبي'

أكثر ما يُثير القلق في الدراسة هو التحديد الدقيق لنمط فشل هذه التقنية. عندما يكون تأثير الفيزياء الجديدة شبيهًا جدًا بشيء يعرفه النموذج مسبقًا من النموذج القياسي، تتحول المعرفة السابقة للذكاء الاصطناعي إلى عائق. يُطلق على هذا الانهيار اسم النقل السلبي (Negative Transfer): حيث يؤدي الضبط الدقيق بشكل متناقض إلى تدهور الأداء .

السبب الجذري هو ما يُسمى التناظر الفيزيائي (Physical Degeneracy). على سبيل المثال، البصمة الكونية التي تنتجها النيوترينوات الثقيلة – أي كبت تجمع المادة على المقاييس الصغيرة – يمكنها أن تُحاكي بشكل وثيق بصمة تغيير بسيط في معامل سعة التقلبات المادية (σ₈) في كون قياسي. عندما تواجه الشبكة إشارة النيوترينو هذه، فإن معرفتها السابقة المثقلة بالتدريب على النموذج القياسي تُسئ تفسيرها على أنها مجرد تغيير بسيط في معامل ضمن النموذج المألوف، مما يقودها إلى استنتاج خاطئ . كما أوضح أحد التقارير، فإن الذكاء الاصطناعي يُشفر ارتباطات معاملات النموذج القياسي على أنها تحيزات عميقة في الشبكة، والتي "تُصبح عائقًا في اللحظة التي يصبح فيها هدف التدريب هو اكتشاف شيء جديد" .

البنية التحتية كضمانة

ليست كل تقنيات التعلم بالنقل معرضة للخطر بنفس القدر. اختبرت الدراسة منهجيات مختلفة، ووجدت أن نهج الضبط الدقيق البسيط بدون تصميم 'الشبكة الوهمية' (أي بدون عقد عنق الزجاجة) كان أكثر عرضة للنقل السلبي. كان هيكل عنق الزجاجة ضروريًا لتحقيق نتائج قوية وموثوقة. إنه يوفر أرضية وسطى حاسمة، تسمح للشبكة بإعادة استخدام أدوات استخلاص السمات القوية من النموذج القياسي، مع منحها في الوقت نفسه سعة مخصصة جديدة لنمذجة فيزياء غير مألوفة حقًا .