Машинное обучение позволяет космологам сократить затраты на симуляции Вселенной более чем в десять раз. Но есть один подвох. Оказалось, что нейросети настолько глубоко усваивают классические физические теории, что начинают в упор игнорировать признаки новых явлений, упрямо списывая их на привычные погрешности.
Искусственный интеллект уже стал главным помощником астрофизиков в обработке колоссальных объемов данных. Однако свежее исследование, опубликованное в Journal of Cosmology and Astroparticle Physics (JCAP) в июне 2026 года, наглядно показывает: чем лучше ИИ знает базовые законы мироздания, тем сложнее ему совершить революцию в науке. И чтобы алгоритм смог нащупать физику за пределами стандартной модели, исследователям приходится заставлять его «забывать» выученное.
Поддержать нас на Boosty
Поддержать нас на Дзен
Сегодня главной рабочей теорией строения Вселенной является ΛCDM (Лямбда-CDM, или стандартная космологическая модель). Она прекрасно описывает, как расширяется космос и как распределяются галактики. Но физики уверены, что эта модель неполна. В ней остаются зияющие дыры: например, она не учитывает влияние массивных нейтрино, возможные модификации гравитации или меняющуюся плотность темной энергии.
Чтобы проверить эти экзотические теории, космологам нужно моделировать сотни виртуальных вселенных с измененными физическими параметрами. Проблема сугубо практическая: симуляции с «альтернативной» физикой безумно сложны и требуют огромных мощностей суперкомпьютеров. Это стоит астрономических денег и занимает месяцы машинного времени.
Команда исследователей из Института Флэтайрон (Flatiron Institute) и Принстонского университета решила обойти ограничения «в лоб», применив популярную стратегию ИИ — трансферное обучение (transfer learning).
Вместо того чтобы тренировать нейросеть с нуля на безумно дорогих симуляциях новой физики, они пошли на хитрость:
- Предобучение. Алгоритм «скормили» тысячам дешевых симуляций стандартной модели ΛCDM (таких данных у ученых уже в избытке).
- Тонкая настройка. Когда ИИ усвоил базовые принципы устройства космоса, ему дали крошечную выборку дорогих, сложных симуляций с новыми физическими параметрами.
Эффект превзошел ожидания: вычислительные затраты на поиск новых паттернов сократились более чем в 10 раз. ИИ быстро учился… пока ученые не поняли, что он стал безнадежным консерватором.
Когда исследователи попытались использовать обученную сеть для поиска следов массивных нейтрино, начались странности. Эти неуловимые частицы должны слегка «размывать» скопления космической материи на малых масштабах.
Но обученный алгоритм смотрел на эти следы и заявлял, что никаких нейтрино нет. Вместо этого он выдавал другой ответ: по его мнению, в модели просто изменился стандартный параметр σ8 (сигма-8), который в классической физике отвечает за общую амплитуду скучивания материи.
В физике это называется вырождением (degeneracy) — ситуацией, когда два совершенно разных физических процесса оставляют визуально идентичные следы.
Поскольку нейросеть буквально зазубрила правила классической физики ΛCDM, она интерпретировала любые новые данные через призму своего старого опыта. Столкнувшись с неизведанным, ИИ подогнал его под знакомый шаблон, буквально замаскировав новую физику. Этот феномен авторы статьи назвали негативным переносом (negative transfer).
«Негативный перенос не случаен, он жестко продиктован скрытыми физическими вырождениями внутри самой модели, — поясняет первый автор исследования Вина Кришнарадж (Veena Krishnaraj). — ИИ пришлось «забывать» собственное обучение и заново переназначать эти признаки, и это переобучение далось ему тяжело».
Чтобы вылечить нейросеть от консерватизма, ученым пришлось хирургически вмешиваться в процесс. Им потребовалось аппаратно «ослепить» ИИ в тех местах, где данные пересекаются. Когда исследователи убрали из расчетов малые масштабы — те самые, где следы нейтрино и параметра σ8 маскируются друг под друга — путаница исчезла.
Кроме того, выяснилось, что использование специфических «бутылочных горлышек» (bottleneck structures) в архитектуре нейросети помогает искусственному интеллекту быстрее отказываться от старых паттернов в пользу новых.
В ближайшие годы телескопы нового поколения — такие как обсерватория имени Веры Рубин и космический аппарат «Евклид» (Euclid) — обрушат на Землю петабайты данных о Вселенной. Искать в них аномалии будут именно алгоритмы.
Как отмечает соавтор работы космолог Адриан Байер (Adrian E. Bayer): «Это отличное напоминание о том, что ускорение вычислений и реальное понимание процессов должны идти рука об руку».
Фундаментальная наука сегодня сталкивается с классической человеческой проблемой: переучивать всегда сложнее, чем учить с нуля. Если ученые планируют доверить большим данным поиск новых законов природы, им придется разработать надежные механизмы ИИ-«забывания». Иначе искусственный интеллект рискует превратиться в упрямого академического старца, который отвергает любые гениальные открытия просто потому, что их не было в его школьном учебнике.
FAQ: Часто задаваемые вопросы
Зачем вообще астрофизикам понадобился искусственный интеллект?
Современные телескопы собирают петабайты данных, а симуляции Вселенной с измененными законами физики требуют колоссальных мощностей суперкомпьютеров и стоят огромных денег. Алгоритмы машинного обучения помогают обрабатывать эти массивы информации и сокращают вычислительные затраты на симуляции более чем в десять раз.
Что такое стандартная космологическая модель (ΛCDM) и почему физики ищут ей замену?
ΛCDM — это текущая рабочая теория устройства нашей Вселенной. Она хорошо описывает базовые процессы расширения космоса, но имеет пробелы. Например, она не учитывает влияние массивных нейтрино или сложную динамику темной энергии. Ученые уверены, что модель неполна, и ищут следы «новой физики», выходящей за ее рамки.
Как работает трансферное обучение (transfer learning) в астрофизике?
Это метод хитрого обучения нейросетей. Вместо того чтобы тратить месяцы на тренировку ИИ исключительно на сложных и дорогих симуляциях новой физики, ученые сначала обучают его на огромном массиве дешевых данных стандартной модели. Когда алгоритм усваивает базовые правила Вселенной, его слегка «дообучают» на новых данных. Это похоже на то, как человека учат водить обычный автомобиль, чтобы затем быстрее переучить на гоночный болид.
Что такое негативный перенос (negative transfer) и чем он опасен для науки?
Это феномен, при котором прошлый опыт мешает алгоритму усваивать новую информацию. В данном исследовании нейросеть настолько хорошо зазубрила законы классической физики, что при встрече с неизвестными частицами (массивными нейтрино) просто отказалась их замечать. ИИ попытался втиснуть новые аномалии в прокрустово ложе старых правил, замаскировав потенциальное открытие.
Как заставить нейросеть «забыть» старые правила?
Исследователям приходится вмешиваться в архитектуру ИИ. Один из способов — аппаратно скрыть от алгоритма те участки данных, где следы классической и новой физики визуально совпадают (в физике это называется вырождением). Лишив ИИ возможности путаться в похожих признаках, ученые заставляют его отбрасывать старые шаблоны и фиксировать реальные аномалии.
Источники:
- Veena Krishnaraj et al. Transfer learning beyond the standard model. Journal of Cosmology and Astroparticle Physics (JCAP), Vol. 2026, Issue 06. DOI: 10.1088/1475-7516/2026/06/026[1][9]
- Пресс-релизы и материалы Flatiron Institute и Princeton University.
Поддержать нас на Boosty
Поддержать нас на Дзен
Читайте также: В Средиземном море поймали нейтрино с «невозможной» энергией