به گزارش اقتصادآنلاین به نقل از ایرنا، وبگاه سایتِکدِیلی در گزارشی آورده است:
هوش مصنوعی میتواند جستوجو برای قوانین جدید فیزیک را بسیار ارزانتر و سریعتر کند، اما تحقیقات جدید نشان میدهد که این روش یک نقطهضعف پنهان نیز دارد. در برخی موارد، هوش مصنوعی آنقدر به آموزشهای قبلی خود متکی میشود که در تشخیص پدیدههای واقعاً جدید دچار مشکل میگردد.
هوش مصنوعی به ابزاری مهم در علم کیهانشناسی (مطالعه ساختار و تکامل جهان) تبدیل شده است و به پژوهشگران کمک میکند حجم عظیمی از دادههای مربوط به جهان را تحلیل کنند. با این حال، بررسی فرضیههایی که فراتر از مدل استاندارد کیهانشناسی (مدلی که برای توضیح ساختار و تکامل جهان استفاده میشود) هستند، همچنان یک چالش محاسباتی بسیار پرهزینه باقی مانده است.
مدل استاندارد کیهانشناسی بسیاری از ویژگیهای مشاهدهشده جهان، از جمله انبساط آن و توزیع کهکشانها را بهخوبی توضیح میدهد، اما دانشمندان معتقدند که این مدل همه ماجرا را بیان نمیکند. مشاهدات اخیر نشان میدهد که پدیدههایی مانند ذرات بنیادی به نام نوترینو، گرانش اصلاحشده و انرژی تاریک متغیر، میتوانند فیزیک فراتر از مدل فعلی را آشکار کنند.
بررسی این احتمالات نیازمند تولید تعداد زیادی شبیهسازی دقیق از جهانهای مجازی است که هر کدام بر اساس فرضیات فیزیکی متفاوتی ساخته شدهاند. تولید این شبیهسازیها اغلب به قدرت محاسباتی و زمان بسیار زیادی نیاز دارد.
یادگیری انتقالی؛ میانبری برای صرفهجویی در زمان
پژوهشگران به دنبال پاسخ به این پرسش بودند که آیا روشی به نام یادگیری انتقالی میتواند هزینه و زمان این شبیهسازیها را کاهش دهد. در این روش، هوش مصنوعی از دانشی که قبلاً به دست آورده، برای یادگیری کارهای جدید استفاده میکند.
گروه پژوهشی برای آزمایش این فرضیه، ابتدا یک شبکه عصبی را با شبیهسازیهای سادهتر آموزش داد. این آموزش اولیه به هوش مصنوعی کمک کرد تا پایهای از دانش پیدا کند و سپس مدلهای پیچیدهتر را راحتتر یاد بگیرد.
نتیجه بسیار خوب بود. در برخی موارد، هوش مصنوعی توانست تعداد شبیهسازیهای پرهزینه را بیش از ۹۰ درصد کاهش دهد.
وقتی دانش قبلی به مانع تبدیل میشود.
اما این مطالعه یک چالش کمتر شناختهشده یعنی انتقال منفی را نیز آشکار کرد. گاهی هوش مصنوعی آنقدر به آموزشهای قبلی خود وابسته میشود که نمیتواند پدیدههای تازه را تشخیص دهد.
برخی از نشانههای فیزیک جدید میتوانند بسیار شبیه به الگوهایی باشند که هوش مصنوعی قبلاً از مدل استاندارد کیهانشناسی آموخته است. در چنین مواقعی، هوش مصنوعی اطلاعات جدید را از دریچه تجربیات قبلی خود میبیند و تشخیص چیزی واقعاً متفاوت برایش دشوار میشود.
پژوهشگران این اثر را هنگام مطالعه شبیهسازیهای شامل ذرات بنیادی به نام نوترینو مشاهده کردند. برخی از اثرات مشاهدهشدنی این ذرات شباهت زیادی به تغییرات ناشی از پارامتری دارد که میزان خوشهایشدن ماده را در جهان اندازه میگیرد؛ به همین دلیل، شبکه عصبی آموزشدیده در ابتدا در تشخیص تفاوت بین آنها مشکل داشت.
چالشها و فرصتها برای آینده کیهانشناسی
یافتهها نشان میدهد که روشهای یادگیری انتقالی هم مزایا و هم خطراتی برای فیزیک دارند. این روشها از نظر مفهومی شبیه به روشهای استفادهشده در سامانههای امروزی هوش مصنوعی مولد (نوعی هوش مصنوعی که محتوای جدید تولید میکند) هستند.
تاکنون، این روش فقط روی شبیهسازیها آزمایش شده است؛ اما پژوهشگران معتقدند که این کار پایه مهمی برای کاربردهای آینده در مشاهدات واقعی نجومی فراهم میکند.
با شروع طرحهای بزرگ رصدی که حجم عظیمی از دادههای دقیق از جهان تولید میکنند، این روش میتواند بسیار ارزشمند شود. اگر یادگیری انتقالی با دقت استفاده شود، میتواند به دانشمندان کمک کند اطلاعات را بسیار کارآمدتر تحلیل کنند و همزمان به جستوجوی فیزیک فراتر از مدل استاندارد ادامه دهند.
