คณะนักวิจัยใช้แนวคิดจากตำรา LLM วิธีการของพวกเขาคือกระบวนการสองขั้นตอนที่ชัดเจน :

1. Pre-training: โครงข่ายประสาทเทียม (Neural Network) จะถูกฝึกขั้นต้นด้วยคลังข้อมูลซิมูเลชันขนาดใหญ่และต้นทุนต่ำของแบบจำลองจักรวาลมาตรฐาน ซึ่งก็คือ Lambda Cold Dark Matter (ΛCDM) ซึ่งเป็นภาพจำลองที่ดีที่สุดในปัจจุบันของเอกภพ
2. Fine-tuning: หลังจากนั้น โครงข่ายที่ฝึกขั้นต้นแล้วจะถูกทำให้เชี่ยวชาญขึ้น โดยการฝึกด้วยชุดซิมูเลชันที่มีราคาแพงกว่าซึ่งมีจำนวนน้อยกว่ามาก และเป็นตัวแทนของสถานการณ์ที่ 'เหนือกว่า ΛCDM' ซึ่งรวมถึงแบบจำลองที่มีนิวทริโนมวลมาก (Mν), แรงโน้มถ่วงแบบ f(R) และความไม่เป็นแบบเกาส์เซียนในยุคเริ่มต้นของเอกภพ

เพื่อให้โครงข่ายมีพื้นที่ว่างพอที่จะซึมซับฟิสิกส์ใหม่ที่แตกต่างไปจากเดิมอย่างสิ้นเชิง ทีมวิจัยได้เสริมแต่งสถาปัตยกรรมด้วยโหนดคอขวดจำลอง (Dummy Bottleneck Nodes) ค่าพารามิเตอร์เพิ่มเติมเหล่านี้ทำหน้าที่เหมือนช่องว่างในระหว่างการฝึกขั้นต้น และจะถูกเติมเต็มด้วยลายเซ็นของฟิสิกส์แปลกใหม่ในระหว่างขั้นตอน Fine-tuning ในภายหลัง

ความก้าวหน้าด้านประสิทธิภาพ 10 เท่า

ผลลัพธ์ที่ได้นั้นน่าทึ่ง ในกรณีที่ดีที่สุด วิธีการ Transfer Learning นี้สามารถลดจำนวนซิมูเลชัน ΛCDM ที่มีราคาแพงและจำเป็นต้องใช้ลงได้มากกว่าหนึ่งลำดับขนาด (หรือ 10 เท่า) ในขณะที่ยังคงช่วยให้การอนุมานผลลัพธ์เป็นไปอย่างแม่นยำ เทคนิคนี้เปลี่ยนการลงทุนระดับโลกที่มีอยู่แล้วในเรื่องซิมูเลชันแบบจำลองมาตรฐาน ให้กลายเป็นทรัพยากรที่นำกลับมาใช้ใหม่ได้สำหรับการค้นพบในอนาคต ซึ่งเป็นการข้ามผ่านปัญหาคอขวดสำคัญสำหรับการทดลองอย่าง DESI (Dark Energy Spectroscopic Instrument) ได้อย่างมีประสิทธิภาพ

ภัยร้ายที่ซ่อนอยู่: 'Negative Transfer'

การค้นพบที่ชวนให้ฉุกคิดมากที่สุดของงานวิจัยนี้คือรูปแบบความล้มเหลวที่แน่ชัดของเทคนิคนี้ เมื่อปรากฏการณ์ของฟิสิกส์ใหม่นั้นดูคล้ายกับสิ่งที่แบบจำลองเรียนรู้มาจาก ΛCDM มากเกินไป ความรู้เดิมของ AI จะกลายเป็นภาระทันที ความล้มเหลวนี้เรียกว่า Negative Transfer กล่าวคือ การ Fine-tuning กลับทำให้ประสิทธิภาพแย่ลงอย่างน่าประหลาด

ต้นตอของปัญหาคือ ความเสื่อมทางกายภาพ (Physical Degeneracy) ยกตัวอย่างเช่น ลายเซ็นทางเอกภพวิทยาที่เกิดจากนิวทริโนที่มีมวล ซึ่งก็คือการยับยั้งการกระจุกตัวของสสารในระดับเล็กนั้น สามารถเลียนแบบลายเซ็นของค่าความผันผวนของสสาร (σ₈) ที่ต่ำลงในเอกภพแบบ ΛCDM มาตรฐานได้อย่างแนบเนียน เมื่อโครงข่ายเจอสัญญาณนิวทริโนนี้ อคติที่ฝังแน่นจากการฝึกด้วย ΛCDM จะทำให้มันตีความผิดว่าเป็นแค่การเปลี่ยนแปลงค่าพารามิเตอร์ธรรมดาในแบบจำลองมาตรฐาน และนำไปสู่การสรุปผลที่ผิดพลาด

ดังที่รายงานฉบับหนึ่งอธิบายไว้ AI จะเข้ารหัสความสัมพันธ์ของพารามิเตอร์ในแบบจำลองมาตรฐาน ว่าเป็นอคติที่ฝังลึกในโครงข่าย และ "อคติเหล่านั้นจะกลายเป็นภาระทันทีที่เป้าหมายของการฝึกคือการตรวจจับสิ่งใหม่ๆ"

สถาปัตยกรรมคือเกราะป้องกัน

ไม่ใช่ว่าเทคนิค Transfer Learning ทั้งหมดจะเปราะบางเท่ากัน งานวิจัยนี้ได้ทดสอบสถาปัตยกรรมที่แตกต่างกันอย่างเป็นระบบ และค้นพบว่าวิธีการ Fine-tuning แบบง่ายๆ โดยไม่มีการออกแบบ 'โครงข่ายจำลอง' พิเศษนั้นมีแนวโน้มที่จะเกิด Negative Transfer ได้ง่ายกว่ามาก โครงสร้างแบบคอขวด (Bottleneck) คือสิ่งจำเป็นเพื่อให้ได้ผลลัพธ์ที่แข็งแกร่งและเชื่อถือได้ มันเป็นจุดกึ่งกลางที่สำคัญ ทำให้โครงข่ายสามารถนำตัวแยกแยะคุณสมบัติอันทรงพลังของ ΛCDM กลับมาใช้ใหม่ได้ ในขณะเดียวกันก็มอบความสามารถใหม่ที่ถูกกำหนดไว้โดยเฉพาะ เพื่อใช้ในการทำแบบจำลองฟิสิกส์ใหม่ที่ไม่คุ้นเคยอย่างแท้จริง

คณะนักวิจัยใช้แนวคิดจากตำรา LLM วิธีการของพวกเขาคือกระบวนการสองขั้นตอนที่ชัดเจน :

1. Pre-training: โครงข่ายประสาทเทียม (Neural Network) จะถูกฝึกขั้นต้นด้วยคลังข้อมูลซิมูเลชันขนาดใหญ่และต้นทุนต่ำของแบบจำลองจักรวาลมาตรฐาน ซึ่งก็คือ Lambda Cold Dark Matter (ΛCDM) ซึ่งเป็นภาพจำลองที่ดีที่สุดในปัจจุบันของเอกภพ
2. Fine-tuning: หลังจากนั้น โครงข่ายที่ฝึกขั้นต้นแล้วจะถูกทำให้เชี่ยวชาญขึ้น โดยการฝึกด้วยชุดซิมูเลชันที่มีราคาแพงกว่าซึ่งมีจำนวนน้อยกว่ามาก และเป็นตัวแทนของสถานการณ์ที่ 'เหนือกว่า ΛCDM' ซึ่งรวมถึงแบบจำลองที่มีนิวทริโนมวลมาก (Mν), แรงโน้มถ่วงแบบ f(R) และความไม่เป็นแบบเกาส์เซียนในยุคเริ่มต้นของเอกภพ

เพื่อให้โครงข่ายมีพื้นที่ว่างพอที่จะซึมซับฟิสิกส์ใหม่ที่แตกต่างไปจากเดิมอย่างสิ้นเชิง ทีมวิจัยได้เสริมแต่งสถาปัตยกรรมด้วยโหนดคอขวดจำลอง (Dummy Bottleneck Nodes) ค่าพารามิเตอร์เพิ่มเติมเหล่านี้ทำหน้าที่เหมือนช่องว่างในระหว่างการฝึกขั้นต้น และจะถูกเติมเต็มด้วยลายเซ็นของฟิสิกส์แปลกใหม่ในระหว่างขั้นตอน Fine-tuning ในภายหลัง

ความก้าวหน้าด้านประสิทธิภาพ 10 เท่า

ผลลัพธ์ที่ได้นั้นน่าทึ่ง ในกรณีที่ดีที่สุด วิธีการ Transfer Learning นี้สามารถลดจำนวนซิมูเลชัน ΛCDM ที่มีราคาแพงและจำเป็นต้องใช้ลงได้มากกว่าหนึ่งลำดับขนาด (หรือ 10 เท่า) ในขณะที่ยังคงช่วยให้การอนุมานผลลัพธ์เป็นไปอย่างแม่นยำ เทคนิคนี้เปลี่ยนการลงทุนระดับโลกที่มีอยู่แล้วในเรื่องซิมูเลชันแบบจำลองมาตรฐาน ให้กลายเป็นทรัพยากรที่นำกลับมาใช้ใหม่ได้สำหรับการค้นพบในอนาคต ซึ่งเป็นการข้ามผ่านปัญหาคอขวดสำคัญสำหรับการทดลองอย่าง DESI (Dark Energy Spectroscopic Instrument) ได้อย่างมีประสิทธิภาพ

ภัยร้ายที่ซ่อนอยู่: 'Negative Transfer'

การค้นพบที่ชวนให้ฉุกคิดมากที่สุดของงานวิจัยนี้คือรูปแบบความล้มเหลวที่แน่ชัดของเทคนิคนี้ เมื่อปรากฏการณ์ของฟิสิกส์ใหม่นั้นดูคล้ายกับสิ่งที่แบบจำลองเรียนรู้มาจาก ΛCDM มากเกินไป ความรู้เดิมของ AI จะกลายเป็นภาระทันที ความล้มเหลวนี้เรียกว่า Negative Transfer กล่าวคือ การ Fine-tuning กลับทำให้ประสิทธิภาพแย่ลงอย่างน่าประหลาด

ต้นตอของปัญหาคือ ความเสื่อมทางกายภาพ (Physical Degeneracy) ยกตัวอย่างเช่น ลายเซ็นทางเอกภพวิทยาที่เกิดจากนิวทริโนที่มีมวล ซึ่งก็คือการยับยั้งการกระจุกตัวของสสารในระดับเล็กนั้น สามารถเลียนแบบลายเซ็นของค่าความผันผวนของสสาร (σ₈) ที่ต่ำลงในเอกภพแบบ ΛCDM มาตรฐานได้อย่างแนบเนียน เมื่อโครงข่ายเจอสัญญาณนิวทริโนนี้ อคติที่ฝังแน่นจากการฝึกด้วย ΛCDM จะทำให้มันตีความผิดว่าเป็นแค่การเปลี่ยนแปลงค่าพารามิเตอร์ธรรมดาในแบบจำลองมาตรฐาน และนำไปสู่การสรุปผลที่ผิดพลาด

ดังที่รายงานฉบับหนึ่งอธิบายไว้ AI จะเข้ารหัสความสัมพันธ์ของพารามิเตอร์ในแบบจำลองมาตรฐาน ว่าเป็นอคติที่ฝังลึกในโครงข่าย และ "อคติเหล่านั้นจะกลายเป็นภาระทันทีที่เป้าหมายของการฝึกคือการตรวจจับสิ่งใหม่ๆ"

สถาปัตยกรรมคือเกราะป้องกัน

ไม่ใช่ว่าเทคนิค Transfer Learning ทั้งหมดจะเปราะบางเท่ากัน งานวิจัยนี้ได้ทดสอบสถาปัตยกรรมที่แตกต่างกันอย่างเป็นระบบ และค้นพบว่าวิธีการ Fine-tuning แบบง่ายๆ โดยไม่มีการออกแบบ 'โครงข่ายจำลอง' พิเศษนั้นมีแนวโน้มที่จะเกิด Negative Transfer ได้ง่ายกว่ามาก โครงสร้างแบบคอขวด (Bottleneck) คือสิ่งจำเป็นเพื่อให้ได้ผลลัพธ์ที่แข็งแกร่งและเชื่อถือได้ มันเป็นจุดกึ่งกลางที่สำคัญ ทำให้โครงข่ายสามารถนำตัวแยกแยะคุณสมบัติอันทรงพลังของ ΛCDM กลับมาใช้ใหม่ได้ ในขณะเดียวกันก็มอบความสามารถใหม่ที่ถูกกำหนดไว้โดยเฉพาะ เพื่อใช้ในการทำแบบจำลองฟิสิกส์ใหม่ที่ไม่คุ้นเคยอย่างแท้จริง