1. पूर्व-प्रशिक्षण (प्री-ट्रेनिंग): सबसे पहले एक न्यूरल नेटवर्क को लैम्ब्डा कोल्ड डार्क मैटर (ΛCDM) मॉडल—जो ब्रह्मांड की वर्तमान सर्वश्रेष्ठ तस्वीर है—के सिमुलेशन की एक बड़ी और सस्ती लाइब्रेरी पर प्रशिक्षित किया जाता है .
2. फाइन-ट्यूनिंग: फिर, पूर्व-प्रशिक्षित नेटवर्क को 'बियॉन्ड-ΛCDM' परिदृश्यों, जैसे कि भारी न्यूट्रिनो (Mν), संशोधित गुरुत्वाकर्षण (f(R) ग्रैविटी), और प्राइमर्डियल नॉन-गॉसियनिटीज, को दर्शाने वाले बहुत छोटे और महंगे सिमुलेशन सेट पर प्रशिक्षित करके विशेषज्ञ बनाया जाता है .

नेटवर्क को मौलिक रूप से नई भौतिकी को आत्मसात करने की छूट देने के लिए, टीम ने आर्किटेक्चर को 'डमी' बॉटलनेक नोड्स के साथ बढ़ाया। ये अतिरिक्त पैरामीटर पूर्व-प्रशिक्षण के दौरान खाली स्लॉट की तरह काम करते हैं, जो बाद में फाइन-ट्यूनिंग चरण के दौरान विदेशी भौतिकी के हस्ताक्षरों से भरे जाते हैं .

10 गुना दक्षता की सफलता

परिणाम नाटकीय थे। अनुकूल मामलों में, इस ट्रांसफर-लर्निंग दृष्टिकोण ने आवश्यक महंगे 'बियॉन्ड-ΛCDM' सिमुलेशन की संख्या को एक क्रम (यानी, 10 गुना) से भी अधिक कम कर दिया, जबकि फिर भी मजबूत अनुमान (रोबस्ट इन्फरेंस) को सक्षम किया . यह प्रभावी रूप से मानक-मॉडल सिमुलेशन में मौजूदा वैश्विक निवेश को भविष्य की खोज के लिए एक पुन: प्रयोज्य संसाधन में बदल देता है, जिससे DESI जैसे प्रयोगों के लिए एक बड़ी बाधा दूर हो जाती है .

छिपा हुआ ख़तरा: 'नेगेटिव ट्रांसफर'

अध्ययन का सबसे गंभीर निष्कर्ष इस तकनीक की विफलता का सटीक तरीका है। जब कोई नई भौतिकी का प्रभाव बिल्कुल वैसा ही दिखता है जैसा मॉडल पहले से ΛCDM से जानता है, तो AI का पूर्व-ज्ञान एक दायित्व बन जाता है। इस विफलता को नेगेटिव ट्रांसफर कहा जाता है: फाइन-ट्यूनिंग विडंबनापूर्ण रूप से प्रदर्शन को और खराब कर देती है .

इसका मूल कारण भौतिक समानता (फिजिकल डिजनरेसी) है। उदाहरण के लिए, भारी न्यूट्रिनो द्वारा उत्पन्न एक ब्रह्मांडीय हस्ताक्षर—छोटे पैमाने पर पदार्थ के क्लस्टरिंग का दमन—एक मानक ΛCDM ब्रह्मांड में पदार्थ के उतार-चढ़ाव के कम आयाम (σ₈) के हस्ताक्षर की बारीकी से नकल कर सकता है। जब नेटवर्क इस न्यूट्रिनो संकेत का सामना करता है, तो उसका ΛCDM प्रशिक्षण से भारित पूर्व-ज्ञान इसे मानक मॉडल में एक साधारण पैरामीटर परिवर्तन के रूप में गलत व्याख्या करता है, जिससे वह गलत निष्कर्ष पर पहुंचता है . जैसा कि एक रिपोर्ट बताती है, AI मानक मॉडल के पैरामीटर संघों को गहरे नेटवर्क पूर्वाग्रहों (बायसेस) के रूप में एनकोड करता है, और जैसे ही प्रशिक्षण का उद्देश्य कुछ नया खोजना होता है, ये पूर्वाग्रह "एक दायित्व बन जाते हैं" .

एक सुरक्षा उपाय के रूप में आर्किटेक्चर

सभी ट्रांसफर लर्निंग तकनीकें समान रूप से असुरक्षित नहीं होती हैं। अध्ययन ने विभिन्न आर्किटेक्चर का व्यवस्थित रूप से परीक्षण किया और पाया कि विशेष 'डमी नेटवर्क' डिज़ाइन के बिना एक सरल फाइन-ट्यूनिंग दृष्टिकोण नेगेटिव ट्रांसफर के प्रति कहीं अधिक संवेदनशील था। मजबूत और विश्वसनीय परिणाम प्राप्त करने के लिए बॉटलनेक संरचना आवश्यक थी। यह एक महत्वपूर्ण मध्य मार्ग प्रदान करती है, जो नेटवर्क को शक्तिशाली ΛCDM फीचर एक्सट्रैक्टर्स का पुन: उपयोग करने की अनुमति देती है, साथ ही उसे वास्तव में अपरिचित भौतिकी को मॉडल करने के लिए आवश्यक समर्पित नई क्षमता भी प्रदान करती है .

1. पूर्व-प्रशिक्षण (प्री-ट्रेनिंग): सबसे पहले एक न्यूरल नेटवर्क को लैम्ब्डा कोल्ड डार्क मैटर (ΛCDM) मॉडल—जो ब्रह्मांड की वर्तमान सर्वश्रेष्ठ तस्वीर है—के सिमुलेशन की एक बड़ी और सस्ती लाइब्रेरी पर प्रशिक्षित किया जाता है .
2. फाइन-ट्यूनिंग: फिर, पूर्व-प्रशिक्षित नेटवर्क को 'बियॉन्ड-ΛCDM' परिदृश्यों, जैसे कि भारी न्यूट्रिनो (Mν), संशोधित गुरुत्वाकर्षण (f(R) ग्रैविटी), और प्राइमर्डियल नॉन-गॉसियनिटीज, को दर्शाने वाले बहुत छोटे और महंगे सिमुलेशन सेट पर प्रशिक्षित करके विशेषज्ञ बनाया जाता है .

नेटवर्क को मौलिक रूप से नई भौतिकी को आत्मसात करने की छूट देने के लिए, टीम ने आर्किटेक्चर को 'डमी' बॉटलनेक नोड्स के साथ बढ़ाया। ये अतिरिक्त पैरामीटर पूर्व-प्रशिक्षण के दौरान खाली स्लॉट की तरह काम करते हैं, जो बाद में फाइन-ट्यूनिंग चरण के दौरान विदेशी भौतिकी के हस्ताक्षरों से भरे जाते हैं .

10 गुना दक्षता की सफलता

परिणाम नाटकीय थे। अनुकूल मामलों में, इस ट्रांसफर-लर्निंग दृष्टिकोण ने आवश्यक महंगे 'बियॉन्ड-ΛCDM' सिमुलेशन की संख्या को एक क्रम (यानी, 10 गुना) से भी अधिक कम कर दिया, जबकि फिर भी मजबूत अनुमान (रोबस्ट इन्फरेंस) को सक्षम किया . यह प्रभावी रूप से मानक-मॉडल सिमुलेशन में मौजूदा वैश्विक निवेश को भविष्य की खोज के लिए एक पुन: प्रयोज्य संसाधन में बदल देता है, जिससे DESI जैसे प्रयोगों के लिए एक बड़ी बाधा दूर हो जाती है .

छिपा हुआ ख़तरा: 'नेगेटिव ट्रांसफर'

अध्ययन का सबसे गंभीर निष्कर्ष इस तकनीक की विफलता का सटीक तरीका है। जब कोई नई भौतिकी का प्रभाव बिल्कुल वैसा ही दिखता है जैसा मॉडल पहले से ΛCDM से जानता है, तो AI का पूर्व-ज्ञान एक दायित्व बन जाता है। इस विफलता को नेगेटिव ट्रांसफर कहा जाता है: फाइन-ट्यूनिंग विडंबनापूर्ण रूप से प्रदर्शन को और खराब कर देती है .

इसका मूल कारण भौतिक समानता (फिजिकल डिजनरेसी) है। उदाहरण के लिए, भारी न्यूट्रिनो द्वारा उत्पन्न एक ब्रह्मांडीय हस्ताक्षर—छोटे पैमाने पर पदार्थ के क्लस्टरिंग का दमन—एक मानक ΛCDM ब्रह्मांड में पदार्थ के उतार-चढ़ाव के कम आयाम (σ₈) के हस्ताक्षर की बारीकी से नकल कर सकता है। जब नेटवर्क इस न्यूट्रिनो संकेत का सामना करता है, तो उसका ΛCDM प्रशिक्षण से भारित पूर्व-ज्ञान इसे मानक मॉडल में एक साधारण पैरामीटर परिवर्तन के रूप में गलत व्याख्या करता है, जिससे वह गलत निष्कर्ष पर पहुंचता है . जैसा कि एक रिपोर्ट बताती है, AI मानक मॉडल के पैरामीटर संघों को गहरे नेटवर्क पूर्वाग्रहों (बायसेस) के रूप में एनकोड करता है, और जैसे ही प्रशिक्षण का उद्देश्य कुछ नया खोजना होता है, ये पूर्वाग्रह "एक दायित्व बन जाते हैं" .

एक सुरक्षा उपाय के रूप में आर्किटेक्चर

सभी ट्रांसफर लर्निंग तकनीकें समान रूप से असुरक्षित नहीं होती हैं। अध्ययन ने विभिन्न आर्किटेक्चर का व्यवस्थित रूप से परीक्षण किया और पाया कि विशेष 'डमी नेटवर्क' डिज़ाइन के बिना एक सरल फाइन-ट्यूनिंग दृष्टिकोण नेगेटिव ट्रांसफर के प्रति कहीं अधिक संवेदनशील था। मजबूत और विश्वसनीय परिणाम प्राप्त करने के लिए बॉटलनेक संरचना आवश्यक थी। यह एक महत्वपूर्ण मध्य मार्ग प्रदान करती है, जो नेटवर्क को शक्तिशाली ΛCDM फीचर एक्सट्रैक्टर्स का पुन: उपयोग करने की अनुमति देती है, साथ ही उसे वास्तव में अपरिचित भौतिकी को मॉडल करने के लिए आवश्यक समर्पित नई क्षमता भी प्रदान करती है .