لقد تعلم الذكاء الاصطناعي قواعد الكون وأصبح ذلك مشكلة

يمكن للذكاء الاصطناعي تسريع عملية البحث عن فيزياء جديدة، لكنه في بعض الأحيان يعرف الكثير لدرجة أنه لا يستطيع رؤية ما هو أمامه مباشرة.

الذكاء الاصطناعي يمكن أن يجعل البحث عن قوانين فيزيائية جديدة أرخص وأسرع بكثير، وفقا لدراسة جديدة نشرت في مجلة مجلة علم الكونيات وفيزياء الجسيمات الفلكية (JCAP). لكن البحث يشير أيضًا إلى جانب سلبي غير متوقع. في بعض المواقف، يمكن أن يصبح الذكاء الاصطناعي معتمدًا بشكل كبير على تدريبه السابق لدرجة أنه يجد صعوبة في التعرف على الظواهر الجديدة حقًا.

أصبح الذكاء الاصطناعي أداة مهمة في علم الكونيات، حيث يساعد الباحثين على تحليل كميات هائلة من البيانات حول الكون. ومع ذلك، فإن دراسة الأفكار التي تتجاوز النموذج الكوني القياسي الحالي، والمعروف باسم ΛCDM، تظل تحديًا حسابيًا مكلفًا للغاية.

في حين أن ΛCDM يفسر بنجاح العديد من السمات المرصودة للكون، بما في ذلك توسعه وتوزيع المجرات على نطاق واسع، إلا أن العلماء لا يعتقدون أنه يروي القصة بأكملها. وتشير الملاحظات الأخيرة إلى أن ظواهر مثل النيوترينوات الضخمة، والجاذبية المعدلة، والطاقة المظلمة المتطورة، يمكن أن تكشف عن فيزياء تقع خارج النموذج الحالي.

يتطلب استكشاف هذه الاحتمالات من الباحثين إنشاء أعداد هائلة من عمليات المحاكاة التفصيلية للأكوان الافتراضية، كل منها يعتمد على افتراضات فيزيائية مختلفة. غالبًا ما يتطلب إنتاج هذه المحاكاة قوة حاسوبية هائلة ووقتًا طويلاً.

يوفر نقل التعلم طريقًا أسرع

قام الباحثون بالتحقيق فيما إذا كان أ التعلم الآلي النهج الذي يسمى نقل التعلم يمكن أن يقلل من هذا العبء.

يسمح نقل التعلم لنظام الذكاء الاصطناعي بتطبيق المعرفة المكتسبة من مهمة واحدة لمساعدته على تعلم مهمة أخرى بشكل أكثر كفاءة. وبدلاً من البدء من الصفر، يعتمد الذكاء الاصطناعي على ما تعلمه بالفعل.

في هذه الدراسة، قام الفريق أولاً بتدريب شبكة عصبية باستخدام عمليات المحاكاة القائمة على ΛCDM. أعطت عملية التدريب الأولية هذه، والمعروفة باسم التدريب المسبق، الأساس للذكاء الاصطناعي قبل أن يتعرض لنماذج كونية أكثر تعقيدًا تتضمن فيزياء جديدة محتملة.

“إنه في الأساس طريق مختصر”، يشرح أدريان باير، عالم الكونيات في معهد فلاتيرون جامعة برينستون، مؤلف مشارك في الدراسة. “عادةً ما يقوم الأشخاص بتدريب الذكاء الاصطناعي مباشرة على عمليات المحاكاة الأكثر تكلفة من الناحية الحسابية. ما نفعله بدلاً من ذلك هو أولاً استخدام محاكاة ΛCDM أبسط وأقل تكلفة لإعطاء الذكاء الاصطناعي فكرة عما يحدث، وبعد ذلك فقط ننتقل إلى النماذج الأكثر تعقيدًا.”

تقارن باير العملية بالتعلم من الكتب المدرسية. يقول باير: “أنت تقرأ أولاً كتابًا أساسيًا للحصول على فكرة عن المعرفة، ثم تنتقل إلى الكتاب المعقد حقًا”.

وفقًا لفينا كريشناراج، الطالبة الجامعية في جامعة برينستون والمؤلفة الأولى للورقة البحثية، فإن هذا النهج يمنع الذكاء الاصطناعي من الاضطرار إلى “هضم كل شيء مرة واحدة”.

أثبتت الإستراتيجية فعاليتها العالية. وفي بعض الحالات، أدى نقل التعلم إلى خفض عدد عمليات المحاكاة المكلفة المطلوبة بأكثر من عشرة أضعاف.

عندما تصبح المعرفة السابقة مشكلة

وكشفت الدراسة أيضًا عن تحدٍ أقل وضوحًا يُعرف بالتحويل السلبي.

وباستخدام تشبيه كتاب باير المدرسي، تخيل طالب طب يتعلم من المواد التمهيدية ثم يواجه في وقت لاحق مرضًا نادرًا يشبه مرضًا شائعًا. المعرفة الموجودة عادة ما تكون مفيدة، ولكنها يمكن أن تؤدي في بعض الأحيان إلى استنتاج خاطئ.

يمكن أن تنشأ مشكلة مماثلة في أنظمة الذكاء الاصطناعي. يمكن لبعض الإشارات التي تنتجها الفيزياء الجديدة أن تبدو مشابهة جدًا للأنماط التي تعلمها الذكاء الاصطناعي بالفعل من النموذج الكوني القياسي. عندما يحدث ذلك، قد يفسر الذكاء الاصطناعي المعلومات الجديدة من خلال عدسة تدريبه السابق، مما يزيد من صعوبة التعرف على شيء مختلف حقًا.

ورأى الباحثون هذا التأثير أثناء دراسة عمليات المحاكاة التي شملت النيوترينوات الضخمة. بعض النتائج الملحوظة لكتلة النيوترينو تشبه إلى حد كبير التغيرات المرتبطة بمعلمة ΛCDM الموجودة والتي تسمى σ8، والتي تقيس مدى قوة تجمعات المادة في جميع أنحاء الكون.

ونظرًا لأن التأثيرين يمكن أن يبدوا متشابهين جدًا، فقد واجهت الشبكة العصبية المدربة مسبقًا صعوبة في التمييز بينهما.

يقول كريشناراج: “إن النقل السلبي ليس عشوائيًا. إنه مدفوع بالانحطاطات الجسدية الكامنة في النموذج”. بمعنى آخر، يمكن للمعلمات الفيزيائية المختلفة إنشاء توقيعات متطابقة تقريبًا يمكن ملاحظتها، مما يجعل من الصعب على الذكاء الاصطناعي فصلها بشكل صحيح. وتختتم قائلة: “لذلك هذا شيء يجب أن نكون على دراية به ونحاول التخفيف منه”.

الوعد والمخاطر لعلم الكونيات في المستقبل

توضح النتائج الفوائد والمزالق المحتملة لتطبيق استراتيجيات النموذج الأساسي على الفيزياء. تشبه هذه الأساليب من الناحية المفاهيمية التقنيات المستخدمة في أنظمة الذكاء الاصطناعي التوليدي الحديثة ونماذج اللغات الكبيرة.

وكما لاحظ المؤلفون في ورقتهم البحثية، فإن التدريب المسبق يمكن أن يسرع الاستدلال، “لكنه قد يعيق أيضًا تعلم فيزياء جديدة”.

وحتى الآن، تم اختبار الطريقة فقط باستخدام عمليات المحاكاة. ومع ذلك، يعتقد الباحثون أنه يوفر أساسًا مهمًا للتطبيقات المستقبلية التي تتضمن ملاحظات فلكية حقيقية.

وقد يصبح ذلك ذا قيمة متزايدة مع بدء المسوحات الكونية من الجيل التالي في إنتاج كميات غير مسبوقة من البيانات عالية الدقة حول الكون. إذا تم استخدامه بعناية، يمكن أن يساعد نقل التعلم العلماء على تحليل تلك المعلومات بكفاءة أكبر بكثير مع مواصلة البحث عن فيزياء خارج النموذج القياسي.

إن البحث الذي يحمل عنوان “نقل التعلم إلى ما وراء النموذج القياسي” بقلم فينا كريشناراج، وأدريان إي. باير، وكريستيان كراج جيسبرسن، وبيتر ملكيور، متاح الآن في JSTAT.

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.