SISSA Medialab tərəfindən

Sadie Harley tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Bu tədqiqatda istifadə edilən Kijot simulyasiyalarından iki şəkil. Panellər Kainatın eyni bölgəsini göstərir, lakin fərqli kosmoloji modellərdə. Üst şəkil standart ΛCDM modelinə uyğundur, alt şəkil isə kütləvi neytrinolara və dəyişdirilmiş cazibə qüvvəsinə malik bir kainatı göstərir. Fərqlər incədir, lakin onlar əsas fizikadakı dəyişikliklərin kosmik strukturların əmələ gəlməsinə və paylanmasına necə təsir edə biləcəyini göstərir. Mənbə: Francisco Villaescusa-Navarro

“Journal of Cosmology and Astrophercides Physics” jurnalında dərc olunan bir araşdırma, transfer öyrənməsi kimi tanınan maşın öyrənmə strategiyasının standart kosmoloji modeldən kənarda yeni fizika axtarışının hesablama xərclərini necə kəskin şəkildə azalda biləcəyini və eyni zamanda gözlənilməz bir riski ortaya çıxardığını araşdırır: Bəzən süni intellekt sistemləri artıq bildiklərinə həddindən artıq etibar edə bilər.

Süni intellekt kosmologiyada kainatı təhlil etmək üçün geniş istifadə olunur. Lakin ΛCDM kimi tanınan standart kosmoloji modeldən kənarda nəzəriyyələrin sınaqdan keçirilməsi son dərəcə hesablama tələb edir.

ΛCDM kainatın genişlənməsindən qalaktikaların paylanmasına qədər bir çox xüsusiyyətlərini uğurla təsvir etsə də, fiziklər bunun yəqin ki, natamam olduğunu bilirlər. Son müşahidələr göstərir ki, kütləvi neytrinolar, dəyişdirilmiş cazibə qüvvəsi və ya təkamül edən qaranlıq enerji kimi fenomenlər mövcud modeldən kənarda yeni fizikaya işarə edə bilər.

Bu alternativləri sınaqdan keçirmək üçün müxtəlif fiziki fərziyyələr altında çoxlu sayda yüksək dəqiqlikli virtual kainat simulyasiyalarının aparılması tələb olunur və bu da çox vaxt böyük hesablama resursları tələb edir.

Transfer öyrənməsi, əsasən qısa yol

Yeni məqalədə süni intellekt sistemlərinin bir tapşırıqdan əldə etdiyi bilikləri digərində öyrənməni sürətləndirmək üçün təkrar istifadə etdiyi bir texnika olan transfer öyrənmənin bu prosesi daha səmərəli edə biləcəyi araşdırılır.

Bu halda, tədqiqatçılar əvvəlcə ΛCDM-ə əsaslanan simulyasiyalar üzərində neyron şəbəkəsini öyrətdilər – bu, əvvəlcədən təlim kimi tanınır – və sonra onu mümkün yeni fizikanı əhatə edən daha mürəkkəb kosmoloji modellərə uyğunlaşdırdılar.

Flatiron İnstitutu və Prinston Universitetinin kosmoloqu və tədqiqatın həmmüəllifi Adrian Bayer izah edir ki, “Bu, əsasən qısa yoldur”.

“Adətən, insanlar süni intellektini birbaşa ən hesablama baxımından bahalı simulyasiyalar üzərində öyrədirlər. Bunun əvəzinə, biz əvvəlcə süni intellektinə baş verənlər barədə təsəvvür vermək üçün daha sadə və daha ucuz ΛCDM simulyasiyalarından istifadə edirik və yalnız bundan sonra daha mürəkkəb modellərə keçirik.”

Bu fikir çətin bir mövzunu əvvəlcə giriş dərsliyini oxumaqla öyrənməyə bənzəyir.

Bayer deyir ki, “Əvvəlcə bilik haqqında təsəvvür əldə etmək üçün əsas kitab oxuyursunuz və sonra həqiqətən mürəkkəb kitaba keçirsiniz.”

Prinston Universitetinin bakalavr tələbəsi və məqalənin ilk müəllifi Veena Krishnaraja görə, bu strategiya süni intellektdən “hər şeyi birdən həzm etməyə” məcbur etməyin qarşısını alır.

Nəticələr göstərir ki, bu yanaşma olduqca yaxşı işləyə bilər. Bəzi hallarda, transfer öyrənməsi tələb olunan bahalı simulyasiyaların sayını 10 dəfədən çox azaltmışdır.

Mənfi köçürmə

Lakin tədqiqat həmçinin mənfi köçürmə kimi tanınan daha incə bir fenomeni də aşkar etdi.

Bayerin dərslik analojiyasına qayıdaraq, bu, bir az tibb dərsliyini giriş dərsliyindən öyrənməyə və sonra simptomları adi bir xəstəliyə bənzəyən nadir bir xəstəliklə qarşılaşmağa bənzəyir: Əvvəlki biliklər əksər hallarda kömək edir, eyni zamanda oxucunu səhv şərhə sövq edə bilər.

Süni intellekt sistemləri ilə də oxşar bir şey baş verə bilər. Bəzən yeni fizikanın yaratdığı təsirlər standart kosmoloji modellə artıq əlaqəli olan nümunələrə çox bənzəyir.

Bu hallarda, süni intellekt yeni məlumatları əvvəlcədən təlim zamanı öyrənilən kateqoriyalardan istifadə edərək şərh etməyə meyllidir və bu da həqiqətən yeni effektləri tanımağı asanlaşdırmaq əvəzinə, çətinləşdirir.

Tədqiqatçılar bu davranışı kütləvi neytrinolarla bağlı simulyasiyalarda müşahidə ediblər. Neytrino kütləsinin yaratdığı müəyyən təsirlər, kainatda maddənin nə qədər güclü şəkildə toplandığını təsvir edən σ8 kimi tanınan mövcud ΛCDM parametri ilə əlaqəli dəyişikliklərə çox bənzəyir.

Nəticədə, əvvəlcədən təlim keçmiş şəbəkə əvvəlcə iki təsiri ayırd etməkdə çətinlik çəkdi.

Krishnaraj deyir ki, “Mənfi köçürmə təsadüfi deyil. Bu, modeldəki əsas fiziki degenerasiyalardan qaynaqlanır”.

Başqa sözlə, fərqli fiziki parametrlər çox oxşar müşahidə edilə bilən effektlər yarada bilər ki, bu da süni intellekt üçün onları düzgün şəkildə ayırmağı çətinləşdirir.

“Beləliklə, bu, bizim xəbərdar olmalı və azaltmağa çalışmalı olduğumuz bir şeydir”, – deyə o, yekunlaşdırır.

Əsərdə müasir generativ süni intellekt və böyük dil modellərinin arxasında duran konseptual olaraq oxşar olan “təməl model” strategiyalarının fundamental fizikaya tətbiqinin həm perspektivi, həm də riskləri vurğulanır. Müəlliflərin məqalədə yazdıqları kimi, əvvəlcədən təlim nəticə çıxarmağı sürətləndirə bilər, “lakin yeni fizikanın öyrənilməsinə də mane ola bilər”.

Hələlik, metod simulyasiyalarda sınaqdan keçirilib və real müşahidə məlumatlarına tətbiq üçün zəmin yaradıb. Tədqiqatçılar bunu gələcək kosmoloji tədqiqatlar üçün güclü bir vasitə kimi görürlər ki, bu da qarşıdakı illərdə kainat haqqında görünməmiş miqdarda yüksək dəqiqlikli məlumatlar yaradacaq.

Nəşr detalları

Veena Krishnaraj və b. Standart Modeldən Kənarda Öyrənmə Transferi, Kosmologiya və Astropartikulyar Fizikası Jurnalı (2026). ArXiv- də : DOI: 10.48550/arxiv.2510.19168

Jurnal məlumatı: arXiv 

Əsas anlayışlar

KosmologiyaSüni intellektQravitasiya və astrofizikada ədədi simulyasiyalar

SISSA Medialab tərəfindən təmin edilir