როცა კოსმოლოგია ახალი ამბების სათაურებში ხვდება, ჩვეულებრივ კოსმოსური რუკებისა და სუპერნოვების შთამბეჭდავ სურათებს ვხედავთ. სინამდვილეში, მეცნიერებს ათასობით გამოთვლასა და სიმულაციაში გარკვევა თვეებისა და წლების განმავლობაში უწევთ. ამ ტვირთის შესამსუბუქებლად ზოგიერთმა მეცნიერმა ხელოვნურ ინტელექტს მიმართა, თუმცა, როგორც ახალი კვლევა ადასტურებს, ამ საკითხის დადებითი და უარყოფითი მხარეები საკმაოდ რთული აღმოჩნდა.

Journal of Cosmology and Astroparticle Physics-ში გამოქვეყნებულ კვლევაში კოსმოლოგებმა ხელოვნური ინტელექტის ნეირონული ქსელი ΛCDM-ის (კოსმოლოგიის სტანდარტული მოდელის) სიმულაციებზე მოამზადეს. შემდეგ კი გუნდმა შეამოწმა, დაეხმარებოდა ეს წინასწარი მომზადება ხელოვნურ ინტელექტს კოსმოლოგიისა და ასტროფიზიკის სხვა გადაუჭრელ პრობლემებზე მუშაობაში, თუ ხელს შეუშლიდა. მიუხედავად იმისა, რომ ხელოვნურმა ინტელექტმა გარკვეული პოტენციალი გამოავლინა, მან ისეთი მიკერძოებები განავითარა, რომლებმაც ახალი ფიზიკის აღმოჩენას ხელი შეუშალა.

"კვლევა კარგი მაგალითია, როგორ შეუძლია ხელოვნურ ინტელექტს მეცნიერების დაჩქარება, როდესაც სტრუქტურირებულად გამოიყენება", — უთხრა Gizmodo-ს კვლევის თანაავტორმა, Flatiron Institute-ისა და პრინსტონის უნივერსიტეტის კოსმოლოგმა, ადრიან ე. ბეიერმა — "ამავდროულად, კვლევა გვახსენებს, რომ აჩქარება და გააზრება ერთად უნდა მიმდინარეობდეს".

ძვირადღირებული სიმართლე

კოსმოლოგიური აღმოჩენები, როგორც წესი, ძვირი და შრომატევადია. როგორც Dark Energy Spectroscopic Instrument-ის (DESI) თანათავმჯდომარემ, უილ პერსივალმა Gizmodo-ს აპრილში განუცხადა, მონაცემთა ბაზების მეცნიერული ანალიზისთვის მომზადება ხელოვნური სამყაროებისა და გალაქტიკების შექმნას, შემდეგ კი გამართულობის შესამოწმებლად, სიმულაციების გაშვებას მოიცავს. სერიოზული დაკვირვებებიდან რაიმე დასკვნების გამოსატანად ეს პროცესები სასიცოცხლოდ მნიშვნელოვანია.

არასტანდარტული მოდელის სიმულაციები — მასიური ნეიტრინოების, ცვლადი ბნელი ენერგიის ან მოდიფიცირებული გრავიტაციის გაფართოებები, ასევე ძალიან ძვირია, განუცხადა ბეიერმა Gizmodo-ს. ამავდროულად, ამ ალტერნატიული სცენარების შემოწმება, მიუხედავად იმისა, სწორი აღმოჩნდება თუ არა, კოსმოსის შესახებ ჩვენი ცოდნის განვითარებისთვის გადამწყვეტია. სწორედ ეს პრაქტიკული მოტივაცია უბიძგებდა ბეიერს, მოეძებნა "მეთოდები, რომელსაც ეფექტიანად სწავლა ყოველი ახალი სცენარისთვის სიმულაციათა დიდი კომპლექტების გარეშე შეუძლია".

გადაცემა ხარვეზებით

გუნდმა ექსპერიმენტისთვის გამოიყენა მანქანური სწავლების სტრატეგია, რომელსაც ტრანსფერული სწავლება ეწოდება. ამ მიდგომისას, მოდელი ჯერ ერთი ამოცანიდან ან მონაცემთა ბაზიდან სწავლობს (სტანდარტული მოდელის სიმულაციებიდან) და შემდეგ ამ ცოდნას მსგავსი ამოცანის ან სტანდარტული მოდელის გაფართოებული ვერსიების შესასწავლად იყენებს, რომლებიც ახალი ფიზიკის პერსპექტიულ იდეებს მოიცავს.

ბეიერის თქმით, ხელოვნურმა ინტელექტმა სტანდარტული მოდელის შედარებით მცირე და იაფი სიმულაციების საფუძველზე გააზრებისას, კარგი შედეგები აჩვენა. თუმცა პრობლემები დაიწყო, როცა ახალი ფიზიკა "ემთხვეოდა სტანდარტული მოდელის განზომილებაში უკვე ნასწავლ მიმართულებებს", — აღნიშნა მან. ნეგატიური ტრანსფერის სახელით ცნობილი ეს მოვლენა მაშინ გამოვლინდა, როცა ხელოვნური ინტელექტი მიკერძოებული გახდა და ვეღარ არჩევდა ერთმანეთისგან ორ განსხვავებულ ფიზიკურ ეფექტს, რომელიც მონაცემებში მსგავს სურათს ქმნის. შედეგად, არსობრივად ახლის ამოცნობის ნაცვლად, ხელოვნური ინტელექტი უკვე ნასწავლ ინფორმაციას ეყრდნობოდა და სტანდარტული მოდელის ფარგლებს გარეთ ახალი ფიზიკის მინიშნებებს ვერ ამჩნევდა.

"ნეგატიური ტრანსფერის შედეგი საინტერესოა, რადგან ის გვიჩვენებს, რომ მოდელი შემთხვევით კი არ ცდება, არამედ კონკრეტული მიზეზით", — დასძინა ბეიერმა — "მომავალ კოსმოლოგიურ ანალიზებში ხელოვნური ინტელექტის სანდოდ გამოყენებისთვის, ძალიან მნიშვნელოვანია გავიგოთ, როდის ეხმარება ტრანსფერული სწავლება და როდის უშლის ხელს".

ხელოვნური ინტელექტი და კოსმოლოგია

ბეიერისთვის უახლესი დასკვნები ადასტურებს არც თუ ისე ახალ მოსაზრებას: ხელოვნური ინტელექტი შეიძლება სასარგებლო იყოს, მაგრამ ადამიანმა ექსპერტებმა მისი გამოთვლები ყურადღებით უნდა გააანალიზონ და სწორი კითხვები დასვან.

"ტრანსფერულ სწავლებას შეუძლია ხელოვნურ ინტელექტს ძლიერი ფორა მისცეს და საშუალება მოგვცეს, სამყაროს შესახებ გაცილებით მეტი იდეა გამოვცადოთ, ვიდრე სხვაგვარად შევძლებდით ", — თქვა მან — "მაგრამ თუ მოდელი ცოდნას ერთი კონტექსტიდან მეორეში გადაიტანს, უნდა გვესმოდეს, რა გადაიტანა, როდის გვეხმარება ეს ცოდნა და როდის შეიძლება შეგვაცდინოს".

შემდეგ ეტაპზე ბეიერი და მისი კოლეგები მსგავსი ექსპერიმენტების ჩატარებას გეგმავენ პირობებში, რომლებიც უფრო მეტად ჰგავს რეალურ დაკვირვების მონაცემებს და მოიცავს გალაქტიკის ფორმირების გაურკვევლობებს, დაკვირვების არეალის საზღვრებსა და ხმაურს. გარდა ამისა, გუნდს სურს გამოიკვლიოს, კოსმოლოგიის რომელ საკითხებს შეუძლია ტრანსფერული სწავლებისგან ყველაზე მეტი სარგებლის მიღება.