پیشرفت‌های خیره‌کننده در حوزه کیهان‌شناسی، اغلب با انتشار تصاویر چشم‌نواز از نقشه‌های کیهانی و ابرنواخترها همراه است. اما پشت پرده این تصاویر زیبا، ماه‌ها و گاه سال‌ها تلاش بی‌وقفه دانشمندان برای تحلیل صدها یا هزاران محاسبه و شبیه‌سازی پیچیده نهفته است. در تلاشی برای کاهش این بار سنگین، برخی از دانشمندان به سمت استفاده از هوش مصنوعی (AI) روی آورده‌اند. با این حال، مطالعه‌ای جدید نشان می‌دهد که مزایا و معایب این رویکرد ظریف و پیچیده است.

مطالعه‌ای نوآورانه در مجله کیهان‌شناسی و فیزیک ذرات بنیادی

این مطالعه که در اوایل ماه جاری در مجله معتبر “Journal of Cosmology and Astroparticle Physics” منتشر شد، به بررسی چگونگی آموزش یک شبکه عصبی هوش مصنوعی با استفاده از شبیه‌سازی‌های مدل استاندارد کیهان‌شناسی (ΛCDM) پرداخته است. سپس، محققان آزمودند که آیا این پیش‌آموزش، به پیشبرد تحقیقات بعدی در سایر مسائل برجسته کیهان‌شناسی و اخترفیزیک کمک می‌کند یا مانع آن می‌شود. نتایج حاکی از آن بود که اگرچه هوش مصنوعی وعده‌هایی را نشان داد، اما سوگیری‌هایی در آن ایجاد شد که در نهایت مانع کشف فیزیک جدید شد. به گفته آدریان ای. بایر، یکی از نویسندگان مطالعه و کیهان‌شناس برجسته در موسسه فلت‌ایرون و دانشگاه پرینستون، این تحقیق “نمونه خوبی از چگونگی کمک هوش مصنوعی به پیشبرد سریع‌تر علم در صورت استفاده صحیح و ساختاریافته است.” وی در ادامه افزود: “در عین حال، این مطالعه یادآور این نکته است که شتاب و درک علمی باید با هم پیش بروند.”

دستیابی به پیشرفت‌های چشمگیر در کیهان‌شناسی، معمولاً با هزینه‌های بالا و صرف زمان طولانی همراه است. همانطور که ویل پرسیوال، سخنگوی پروژه DESI، در ماه آوریل اشاره کرد، آماده‌سازی مجموعه داده‌ها برای تحلیل علمی شامل ایجاد جهان‌ها و کهکشان‌های مجازی و اجرای شبیه‌سازی‌ها به عنوان بررسی‌های صحت‌سنجی است. این فرآیندها برای استخراج هرگونه نتیجه جدی از مشاهدات پیشرفته، حیاتی هستند.

شبیه‌سازی مدل‌های فراتر از مدل استاندارد، که شامل نوترینوهای سنگین، انرژی تاریک متغیر، یا گرانش اصلاح‌شده است، نیز بسیار پرهزینه هستند. بایر در مصاحبه با گیزمودو تاکید کرد که بررسی این سناریوهای جایگزین، صرف نظر از صحت نهایی آنها، برای پیشبرد درک ما از کیهان حیاتی است. این انگیزه عملی، بایر را به سمت جستجوی “روش‌هایی سوق داد که بتوانند به طور مؤثر و بدون نیاز به مجموعه‌های شبیه‌سازی جدید و عظیم برای هر سناریو، یاد بگیرند.”

یادگیری انتقالی: مزایا و معایب

در این آزمایش، تیم تحقیقاتی از یک استراتژی یادگیری ماشین به نام “یادگیری انتقالی” (Transfer Learning) استفاده کرد. در این رویکرد، یک مدل ابتدا از یک وظیفه یا مجموعه داده (شبیه‌سازی‌های مدل استاندارد) یاد می‌گیرد و سپس این دانش را برای یادگیری وظایف مرتبط یا نسخه‌های توسعه‌یافته مدل استاندارد که شامل ایده‌های امیدوارکننده‌ای برای فیزیک جدید هستند، به کار می‌گیرد.

بایر توضیح داد که هوش مصنوعی از نظر درک مدل استاندارد بر اساس شبیه‌سازی‌های کمتر و کم‌هزینه‌تر، عملکرد نسبتاً خوبی داشت. با این حال، هنگامی که فیزیک جدید “با جهت‌هایی که قبلاً در فضای پارامتر [مدل استاندارد] یاد گرفته بود، همپوشانی داشت”، شروع به مشکل کرد. این پدیده که “انتقال منفی” نامیده می‌شود، زمانی رخ داد که هوش مصنوعی دچار سوگیری شد و نتوانست بین دو اثر فیزیکی مختلف که الگوهای مشابهی در داده‌ها ایجاد می‌کنند، تمایز قائل شود. در نتیجه، به جای کشف چیزی کاملاً جدید، هوش مصنوعی به آموخته‌های قبلی خود تکیه کرد و باعث شد سرنخ‌های بالقوه‌ای را که به فیزیک فراتر از مدل استاندارد اشاره داشتند، از دست بدهد.

اهمیت نظارت انسانی در عصر هوش مصنوعی

بایر افزود: “نتیجه انتقال منفی بسیار جذاب است زیرا نشان می‌دهد که مدل به طور تصادفی شکست نمی‌خورد.” وی تاکید کرد: “درک اینکه چه زمانی یادگیری انتقالی مفید است و چه زمانی این عدم قطعیت‌ها را تقویت می‌کند، برای استفاده مطمئن از هوش مصنوعی در تحلیل‌های کیهان‌شناسی آینده بسیار مهم است.” این یافته‌ها بر این ایده تأیید می‌کنند که هوش مصنوعی می‌تواند مفید باشد، اما متخصصان انسانی باید محاسبات آن را به دقت دنبال کنند تا سؤالات مرتبط را درک کرده و پیگیری کنند. بایر نتیجه گرفت: “یادگیری انتقالی می‌تواند یک مزیت قدرتمند اولیه به هوش مصنوعی بدهد و به ما امکان می‌دهد تا ایده‌های بسیار بیشتری را درباره جهان نسبت به آنچه در غیر این صورت عملی بود، آزمایش کنیم. اما اگر مدلی دانشی را از یک محیط به محیط دیگر منتقل می‌کند، باید بفهمیم که چه چیزی را منتقل کرده است - چه زمانی این دانش مفید است و چه زمانی ممکن است گمراه‌کننده باشد.”

گام‌های آینده

در گام بعدی، بایر و همکارانش قصد دارند آزمایش‌های مشابهی را در محیط‌هایی انجام دهند که “شباهت بیشتری به داده‌های واقعی نظرسنجی” دارند و شامل “عدم قطعیت‌های تشکیل کهکشان، ماسک‌های نظرسنجی و نویز” هستند. علاوه بر این، این تیم قصد دارد بررسی کند که کدام پرس‌وجوهای کیهان‌شناسی می‌توانند بیشترین سود را از یادگیری انتقالی ببرند.

منبع خبر: gizmodo