우주를 너무 잘 배운 AI: 전이 학습이 우주론 비용을 10배 절감하는 방법과 그 실패 지점

시뮬레이션 비용 10분의 1로

결과는 극적이었다. 순조로운 경우, 이 전이 학습 접근법은 필요한 고비용 시뮬레이션의 수를 10분의 1 이하로 줄이면서도 견고한 추론을 가능하게 했다 . 이는 DESI(암흑 에너지 분광 장비) 같은 차세대 우주 관측 프로젝트에서 가장 큰 걸림돌 중 하나였던 시뮬레이션 병목 현상을 근본적으로 해결할 수 있는 돌파구다. 그동안 전 세계가 표준 모형 시뮬레이션에 쏟아부은 막대한 투자를 미래의 새로운 발견을 위한 재활용 자원으로 바꿔주는 셈이다 .

치명적 함정: '부정적 전이' (Negative Transfer)

이 연구의 가장 충격적인 발견은 이 기술의 정확한 실패 지점을 밝혀낸 것이다. 새로운 물리학적 효과가 ΛCDM에서 이미 학습한 패턴과 너무나 비슷할 때, AI의 해박한 사전 지식은 오히려 독이 된다. 이 현상을 부정적 전이(Negative Transfer) 라고 부르며, 미세 조정을 거쳤음에도 불구하고 성능이 오히려 나빠지는 역설적인 결과를 낳는다 .

이 실패의 근본 원인은 물리적 축퇴(Physical Degeneracy) 현상이다. 예를 들어, 거대 중성미자가 만들어내는 우주적 신호(작은 규모에서의 물질 밀집 억제)는 표준 ΛCDM 우주에서 단순히 물질 밀도 요동의 진폭(σ₈)이 낮을 때 나타나는 신호와 거의 똑같다. 네트워크가 이 중성미자 신호와 마주치면, ΛCDM 학습으로 깊이 각인된 사전 지식이 이를 '표준 모형의 매개변수 오차' 정도로 잘못 해석해 엉뚱한 결론을 내리게 되는 것이다 . 한 보고서는 이를 두고, AI가 표준 모형의 매개변수 연관성을 '깊은 네트워크 편향'으로 인코딩했기 때문에, "완전히 새로운 무언가를 탐지해야 하는 순간 그 편향이 발목을 잡는" 것이라고 분석했다 .

아키텍처가 안전장치다

모든 전이 학습 기법이 이 함정에 똑같이 취약한 것은 아니다. 연구팀이 여러 아키텍처를 체계적으로 실험한 결과, 특별한 '더미 네트워크' 구조 없이 단순 미세 조정만 적용한 방식은 부정적 전이에 훨씬 더 취약했다. 즉, 병목 구조가 견고하고 믿을 만한 결과를 위한 필수 조건이었던 셈이다. 이 구조는 네트워크가 ΛCDM의 강력한 특징 추출 능력을 재활용하면서도, 완전히 낯선 물리학을 모델링할 수 있도록 하는 전용 학습 공간을 부여하는 결정적인 중간 지대를 제공한다 .