מחקר חדש מראה כי העברת למידה יכולה להפחית ביותר מפי עשרה את מספר ההדמיות הקוסמולוגיות היקרות הדרושות לאימון רשת עצבית. אלא שהידע המוקדם על המודל הקוסמולוגי המקובל עלול גם להטות את המערכת ולהקשות עליה לזהות תופעות החורגות ממנו.
בינה תוכל להאיץ את המרדף אחרי פיזיקה חדשה, אבל לפעמים היא יודעת יותר מדי מכדי לראות את מה שניצב מתחת לאפה.
בינה מלאכותית תאפשר לחפש חוקי פיזיקה חדשים בפחות כסף וזמן, לפי מחקר חדש שהתפרסם ב-JCAP. אבל המחקר גם מצביע על היבט שלילי. במצבים מסוימים, AI יכולה להפוך לכל כך תלויה באימונים הקודמים שלה עד שתתקשה לזהות תופעות באמת חדשות.
AI הפכה לכלי חשוב בקוסמולוגיה, שעוזר לחוקרים לנתח כמויות עצומות של נתונים על היקום. אבל חקירת רעיונות שמרחיקים מעבר למודל הקוסמולוגי הסטנדרטי (ΛCDM) היא עדיין אתגר חישובי מאוד יקר.
ΛCDM מסביר בהצלחה תכונות נצפות רבות של היקום, כולל התפשטותו והפיזור בקנה מידה גדול של גלקסיות, אבל המדענים מאמינים שהוא לא מספר את כל הסיפור. מתצפיות מהזמן האחרון עולה שתופעות כמו נֵייטְרִינוֹ מסיביים, כבידה שעברה שינוי ואנרגיה אפלה מתפתחת יוכלו לגלות פיזיקה שנמצאת מעבר למודל הנוכחי.
כדי לחקור את האפשרויות האלה החוקרים צריכים ליצור מספר עצום של הדמיות מפורטות של יקומים וירטואליים, שכל אחד מהם מבוסס על הנחות פיזיקליות שונות. כדי ליצור הדמיות אלה צריך לעיתים קרובות הרבה עוצמת מיחשוב וזמן.
העברת למידה מציעה מסלול מהיר יותר
החוקרים בדקו אם גישה של למידת מכונה בשם העברת למידה תוכל להפחית את הנטל.
העברת למידה מאפשרת למערכת בינה מלאכותית ליישם ידע שנרכש ממשימה אחת כדי לעזור לה ללמוד משימה אחרת באופן יעיל יותר. במקום להתחיל מאפס, הבינה המלאכותית מתבססת על מה שכבר למדה.
במחקר הזה, הצוות אימן תחילה רשת עצבית באמצעות הדמיות המבוססות על ΛCDM. תהליך האימון הראשוני הזה נתן לבינה המלאכותית בסיס לפני שנחשפה למודולים קוסמולוגיים יותר מורכבים הכוללים פיזיקה חדשה אפשרית.
"זה בעצם קיצור דרך", מסביר הקוסמולוג אדריאן באייר, ממחברי המחקר. "בדרך כלל אנשים מאמנים את הבינה המלאכותית ישירות על ההדמיות הכי יקרות מבחינה חישובית. אנחנו, במקום זאת, משתמשים בהדמיות ΛCDM יותר פשוטות ופחות יקרות כדי לתת לבינה המלאכותית מושג מה קורה, ורק אחר כך עוברים למודלים היותר מורכבים".
באייר משווה את התהליך ללמידה מספרים. "בהתחלה קוראים ספר בסיסי כדי לקבל מושג על הידע, ואז עוברים לספר הבאמת מסובך".
לדברי המחברת הראשית וינה קרישנרג', בשיטה הזאת הבינה המלאכותית לא צריכה "לעכל את הכלל בבת אחת".
האסטרטגיה הוכחה כמאוד יעילה. בחלק מהמקרים, העברת הלמידה הפחיתה את מספר ההדמיות היקרות הנחוצות ביותר מפי עשר.
כשידע מוקדם הופך לבעיה
המחקר גם גילה בעיה פחות מובנת מאליה בשם העברה שלילית.
בהקבלה של באייר לספרים, נניח שסטודנט לרפואה לומד מחומרי מבוא ואחר כך נתקל במחלה נדירה שדומה למחלה נפוצה. ידע קיים בדרך כלל מועיל, אבל לפעמים הוא יכול להוביל למסקנה שגויה.
בעיה דומה יכולה להתעורר במערכות בינה מלאכותית. אותות מסוימים שמפיקה פיזיקה חדשה יכולים להיראות מאוד דומים לתבניות שהבינה המלאכותית כבר למדה מהמודל הקוסמולוגי הסטנדרטי. כשזה קורה, הבינה המלאכותית עשויה לפרש את המידע החדש דרך העדשות של האימון הקודם שלה, ולכן יהיה לה קשה יותר לזהות משהו באמת שונה.
החוקרים ראו את התופעה הזאת כשחקרו הדמיות שכללו נֵייטְרִינוֹ מסיביים. כמה מהתוצאות הניצפות של מסת הנייטרינו דומות מאוד לשינויים הקשורים לפרמטר קיים במודל ΛCDM בשם σ8, המודד את עוצמת ההתקבצות של החומר ברחבי היקום.
בגלל ששתי התופעות יכולות להיראות כל כך דומות, הרשת העצבית שעברה אימון ראשוני התקשתה בתחילה להבדיל ביניהן.
המאמר פורסם ב־Journal of Cosmology and Astroparticle Physics (JCAP), ביוני 2026. (arXiv)
עוד בנושא באתר הידען:
