详细内容或原文请订阅后点击阅览
人工智能加速了宇宙替代模型的测试......但有一个“但是”
研究人员发现，迁移学习可以显着降低宇宙学模拟的成本，但也带来了一定的风险。
来源:OSP网站大数据新闻人工智能现在被广泛用于测试标准 lambda-CDM 宇宙学模型的替代方案，这些模型是随着新数据的出现而提出的，这些新数据显示与公认模型可能存在偏差。人工智能简化了验证：神经网络在模拟中对宇宙学参数的推理进行了长时间的训练，然后给出来自望远镜的真实数据，它可以快速评估参数是否符合标准模型或偏离某些替代模型。
一项研究发表在《宇宙学与天体粒子物理学杂志》上，该研究的作者提出了一种显着加快参数推理训练人工智能并降低其成本的方法：采用迁移学习。为此，神经网络首先在标准模型的大量现成模拟数据上进行训练，然后在替代模型上进行额外训练，但所需的额外训练量比平常少得多。作者指出，在某些情况下，昂贵的模拟数量减少了一个数量级。
然而，这种方法也有一个缺点：“记住”了标准模型的人工智能可能会开始将替代理论对应的表现与 lambda-CDM 参数“混淆”，并产生错误的结果。