当人工智能遇上宇宙未知：加速探索新物理 却暗藏“陷阱”

编辑丨coisini

标准宇宙模型（ΛCDM 模型）成功解释了宇宙的许多大尺度特征，包括宇宙膨胀和星系的分布。然而，科学家认为该模型并非终极答案，暗物质粒子性质、暗能量本质等仍是未解问题。

在宇宙学探索前沿，人工智能正在成为科学家的得力助手。最近，一项新研究表明，机器学习中的迁移学习技术有望更快速、更低成本地推动新物理学的探索，帮助研究人员探索超越标准宇宙模型的理论。

有趣的是，该研究也揭示了一个令人意外的弊端：AI 有时会过度依赖已学知识，导致难以识别真正新奇的现象。研究论文发表于《宇宙学和天体粒子物理学杂志》。

论文地址：https://iopscience.iop.org/article/10.1088/1475-7516/2026/06/026

迁移学习降本增效

近年来，宇宙学观测数据不断积累，多项独立测量结果呈现出与标准宇宙模型的偏差，暗示新物理学的存在，涉及大质量中微子的效应、修正引力以及暗能量的演化。

为探索这些可能性，研究人员需要生成海量详细的计算机模拟，每个模拟代表一个基于不同物理假设构建的虚拟宇宙。生成这些模拟的计算成本极高，通常需要庞大的计算能力。

机器学习中的迁移学习技术，通过将源任务学习到的经验应用到目标任务，能够让目标任务的训练更灵活高效。研究团队尝试采用该方法降低模拟成本，提高研究效率。

简单来说，该团队没有直接在最复杂、计算成本最高的模拟上训练神经网络，而是首先基于更简单的 ΛCDM 模拟进行预训练，随后再使用包含潜在新物理的更复杂模型进行额外训练。

研究团队成员、普林斯顿大学宇宙学家 Adrian E. Bayer 表示：「这是一种捷径，就像是先读一本基础教材，对知识有个大致概念，然后再去啃那本真正复杂的书。」

这种策略避免了 AI「一次性消化所有内容」的负担。效果十分显著，在某些情况下，迁移学习将所需的高成本模拟数量减少了超过十分之九。

「捷径」暗藏「陷阱」

虽然迁移学习显著提高了研究效率，但研究团队发现这种捷径是存在缺陷的，特别是在宇宙探索这种未知性极强的领域。类似于我们通过一本入门教材学习医学，然后遇到一种与常见疾病极为相似的罕见病，我们极有可能会错误地将其判断为常见病。

在某些情况下，新物理学的特征与标准宇宙模型中的模式相似，而经过预训练的 AI 网络可能会使用已有知识去解读不熟悉的信息。要知道，往往正是这些「异常信息」蕴含着新物理学的奥秘。

研究团队在模拟大质量中微子的过程中观察到了这一效应。中微子质量产生的某些效应与现有的 ΛCDM 参数 σ8（描述宇宙中物质聚集的强度）非常相似，预训练神经网络难以区分这两种效应。

下面两幅图像均来自该研究中使用的 Quijote 模拟。这两幅图展示了宇宙的同一区域，但分别对应不同的宇宙学模型。上图对应ΛCDM 模型，下图则展示了一个包含大质量中微子和修正引力的宇宙。尽管差异细微，但它们揭示了底层物理机制的变化如何影响宇宙结构的形成和分布。

这一发现揭示了将基础模型理念应用于物理学的潜在优势与局限。研究论文指出：「预训练可以加速推理，但同时也可能阻碍对新物理现象的学习。」

这是一个值得深思的问题，科学发现的关键就在于拓展知识边界。人工智能因高效而成为探索未知的利器，但如果它过度依赖已有知识，便可能陷入「经验主义」的陷阱 —— 善于拟合已知，怯于触碰未知。而真正的突破往往诞生于反常与例外之中。

参考链接：https://www.sciencedaily.com/releases/2026/06/260611024557.htm