«Апостериори»: ИИ может ускорить поиск новой физики, но иногда мешает открытиям
Новости науки и технологий
Поддержите «Эхо», если вы не в России
Современная космология всё чаще использует искусственный интеллект. Однако обучение нейросетей для анализа Вселенной требует огромного количества компьютерных симуляций. Особенно сложной задача становится, когда исследователи пытаются проверить гипотезы, выходящие за рамки стандартной космологической модели.
В новой работе, опубликованной в июне 2026 года в журнале Journal of Cosmology and Astroparticle Physics, учёные предложили способ значительно сократить объём необходимых вычислений с помощью метода transfer learning – переноса обучения.
Сегодня основой современной космологии считается модель ΛCDM. Она достаточно успешно описывает эволюцию Вселенной, учитывая обычную материю, тёмную материю и тёмную энергию. Тем не менее многие фундаментальные вопросы остаются открытыми. Например, неизвестна природа тёмной материи, неясны точные свойства нейтрино, а некоторые теории предполагают, что на больших масштабах гравитация может немного отличаться от предсказаний общей теории относительности. Проверить такие идеи можно с помощью численного моделирования, однако каждая новая модель требует тысяч чрезвычайно ресурсоёмких симуляций.
Авторы новой работы решили использовать подход, давно применяемый в машинном обучении. Его идея проста: сначала нейросеть обучается на большой задаче, для которой данных достаточно, а затем уже использует полученные знания при решении новой задачи, требующей гораздо меньшего количества примеров. Аналогичным образом человек, научившись управлять одним автомобилем, обычно гораздо быстрее осваивает другой, чем если бы никогда раньше не сидел за рулём.
В качестве «базового курса» исследователи использовали десятки тысяч симуляций стандартной модели ΛCDM. После этого нейросеть дообучали на значительно меньших наборах данных, описывающих три различных сценария новой физики: модели с массивными нейтрино, модифицированной гравитацией и первичной негауссовостью – небольшими отклонениями распределения вещества в ранней Вселенной от идеального гауссового закона. Затем результаты сравнили с ситуацией, когда сеть обучалась только на этих небольших специализированных выборках.
Оказалось, что во многих случаях предварительное обучение действительно помогает. Для достижения той же точности требовалось примерно на порядок меньше дорогостоящих симуляций. Причём эффект наблюдался уже после предварительного обучения всего на нескольких тысячах стандартных моделей и становился ещё сильнее при использовании более крупных наборов данных. Авторы подчёркивают, что такие симуляции уже существуют в большом количестве, поэтому их можно использовать повторно практически бесплатно.
Однако исследование выявило и неожиданную проблему. Иногда предварительное обучение не помогает, а наоборот ухудшает результат. В машинном обучении это называют negative transfer – отрицательным переносом. Наиболее ярко эффект проявился при попытке определить массу нейтрино.
Причина оказалась связана не с недостатками алгоритма, а с самой физикой. Известно, что увеличение массы нейтрино и изменение космологического параметра σ₈, характеризующего степень неоднородности распределения вещества во Вселенной, очень похожим образом влияют на распределение материи в космосе. Пока нейросеть обучалась только на стандартной модели, она привыкла интерпретировать определённые особенности данных как изменение σ₈. После появления нового параметра – массы нейтрино – выяснилось, что эти же признаки могут означать уже совершенно другой физический процесс. Фактически сети пришлось частично «разучиться» тому, чему она научилась раньше, и заново распределить роли между параметрами.
Чтобы убедиться, что проблема действительно имеет физическую природу, исследователи повторили анализ, исключив те диапазоны масштабов, где влияние массы нейтрино и параметра σ₈ практически совпадает. После этого отрицательный перенос почти полностью исчез. Это стало сильным аргументом в пользу того, что ограничение связано именно с фундаментальными вырождениями между космологическими параметрами, а не с особенностями архитектуры нейросети.
Авторы также проверили ещё одну возможную причину успеха своего метода. Может быть, всё дело просто в том, что нейросеть увидела больше данных? Для этого они объединили все симуляции в один большой набор и обучили новую модель «с нуля». Такой подход оказался менее эффективным, чем двухэтапное обучение с переносом знаний. Это означает, что преимущество возникает именно благодаря повторному использованию уже сформированных представлений, а не только из-за увеличения объёма обучающей выборки.
Авторы считают, что их результаты могут оказаться полезными далеко за пределами космологии. По их мнению, аналогичные подходы можно использовать и в других областях фундаментальной физики, где сначала изучается хорошо проверенная теория, а затем предпринимаются попытки обнаружить небольшие отклонения от неё. При этом новая работа показывает и важную особенность искусственного интеллекта: предварительное обучение способно значительно ускорить поиск новой физики, но одновременно может сделать алгоритм менее восприимчивым к действительно неожиданным явлениям. Иногда для открытия нового недостаточно научить нейросеть видеть привычные закономерности – необходимо ещё помочь ей вовремя забыть часть старых представлений, чтобы освободить место для новых.