هوش مصنوعی قوانین جهان را یاد گرفت اما با چالش محاسباتی پرهزینه_آینده

 وبگاه سای‌تِک‌دِیلی در گزارشی آورده است:

هوش مصنوعی می‌تواند جست‌وجو برای قوانین تازه فیزیک را زیاد ارزان‌تر و سریع تر کند، اما تحقیقات تازه مشخص می کند که این روش یک نقطه‌ضعف نهان نیز دارد. در برخی موارد، هوش مصنوعی آن‌قدر به آموزش‌های قبلی خود متکی می‌شود که در تشخیص اتفاق‌های واقعاً تازه دچار مشکل می‌گردد.

هوش مصنوعی به ابزاری مهم در علم کیهان‌شناسی (مطالعه ساختار و تکامل جهان) تبدیل شده است و به پژوهشگران پشتیبانی می‌کند حجم عظیمی از داده‌های مربوط به جهان را تحلیل کنند. با این حال، بازدید فرضیه‌هایی که فراتر از مدل استاندارد کیهان‌شناسی (مدلی که برای توضیح ساختار و تکامل جهان منفعت گیری می‌شود) می باشند، هم چنان یک چالش محاسباتی زیاد پرهزینه باقی مانده است.

مدل استاندارد کیهان‌شناسی تعداد بسیاری از ویژگی‌های مشاهده‌شده جهان، از جمله انبساط آن و توزیع کهکشان‌ها را به‌خوبی توضیح می‌دهد، اما دانشمندان اعتقاد دارند که این مدل همه ماجرا را گفتن نمی‌کند. مشاهدات تازه مشخص می کند که اتفاق‌هایی همانند ذرات بنیادی به نام نوترینو، گرانش اصلاح‌شده و انرژی تاریک متغیر، می‌توانند فیزیک فراتر از مدل جاری را آشکار کنند.

بازدید این احتمالات نیازمند تشکیل تعداد بسیاری همانند‌سازی دقیق از جهان‌های مجازی است که هر کدام بر پایه فرضیات فیزیکی متغیری ساخته شده‌اند. تشکیل این همانند‌سازی‌ها زیاد تر به قوت محاسباتی و زمان زیاد بسیاری نیاز دارد.

یادگیری انتقالی؛ میانبری برای صرفه‌جویی در زمان

پژوهشگران به جستوجو جواب به این سوال بودند که آیا روشی به نام یادگیری انتقالی می‌تواند هزینه و زمان این همانند‌سازی‌ها را افت دهد. در این روش، هوش مصنوعی از دانشی که قبلاً پیدا کرده، برای یادگیری کارهای تازه منفعت گیری می‌کند.

گروه پژوهشی برای آزمایش این فرضیه، ابتدا یک شبکه عصبی را با همانند‌سازی‌های ساده‌تر آموزش داد. این آموزش اولیه به هوش مصنوعی پشتیبانی کرد تا پایه‌ای از دانش اشکار کند و سپس مدل‌های پیچیده‌تر را راحت‌تر یاد بگیرد.

نتیجه زیاد خوب می بود. در برخی موارد، هوش مصنوعی توانست تعداد همانند‌سازی‌های پرهزینه را بیشتر از ۹۰ درصد افت دهد.

هنگامی دانش قبلی به مانع تبدیل می‌شود

اما این مطالعه یک چالش کمتر شناخته‌شده یعنی انتقال منفی را نیز آشکار کرد. بعضی اوقات هوش مصنوعی آن‌قدر به آموزش‌های قبلی خود وابسته می‌شود که نمی‌تواند اتفاق‌های تازه را تشخیص دهد.

برخی از نشانه‌های فیزیک تازه می‌توانند زیاد همانند به الگوهایی باشند که هوش مصنوعی قبلاً از مدل استاندارد کیهان‌شناسی آموخته است. در این چنین مواقعی، هوش مصنوعی اطلاعات تازه را از دریچه ازمایش ها قبلی خود می‌بیند و تشخیص چیزی واقعاً متفاوت برایش دشوار می‌شود.

پژوهشگران این تاثییر را زمان مطالعه همانند‌سازی‌های شامل ذرات بنیادی به نام نوترینو مشاهده کردند. برخی از اثرات مشاهده‌شدنی این ذرات شباهت بسیاری به تغییرات ناشی از پارامتری دارد که مقدار خوشه‌ای‌شدن ماده را در جهان اندازه می‌گیرد؛ به همین علت، شبکه عصبی آموزش‌دیده در ابتدا در تشخیص تفاوت بین آن‌ها مشکل داشت.

چالش‌ها و زمان‌ها برای آینده کیهان‌شناسی

یافته‌ها مشخص می کند که راه حلهای یادگیری انتقالی هم مزایا و هم خطراتی برای فیزیک دارند. این راه حلها از نظر مفهومی همانند به راه حلهای منفعت گیری‌شده در سامانه‌های امروزی هوش مصنوعی مولد (نوعی هوش مصنوعی که محتوای تازه تشکیل می‌کند) می باشند.

تا بحال، این روش فقط روی همانند‌سازی‌ها آزمایش شده است؛ اما پژوهشگران اعتقاد دارند که این کار پایه مهمی برای کاربردهای آینده در مشاهدات واقعی نجومی فراهم می‌کند.

با اغاز مطرح‌های بزرگ رصدی که حجم عظیمی از داده‌های دقیق از جهان تشکیل می‌کنند، این روش می‌تواند زیاد مورد قیمت شود. اگر یادگیری انتقالی با دقت منفعت گیری شود، می‌تواند به دانشمندان پشتیبانی کند اطلاعات را زیاد کارآمدتر تحلیل کنند و هم‌زمان به جست‌وجوی فیزیک فراتر از مدل استاندارد ادامه دهند.