A inteligência artificial é uma ferramenta comum na cosmologia para analisar o universo. No entanto, testar teorias além do modelo padrão, conhecido como ACDM, continua sendo um processo de alto custo computacional.
Um estudo publicado no Journal of Cosmology and and Astroparticle Physics (JCAP) explora como o aprendizado por transferência, uma técnica de aprendizado de máquina, pode reduzir drasticamente esse custo. A pesquisa também revela um risco: sistemas de IA podem se tornar excessivamente dependentes do que já sabem.
Leia Mais
-
Nova inteligência artificial funciona como o cérebro e gasta menos energia
-
Inteligência artificial e Large Language Models: tensões para a proteção de dados
-
Reflexões sobre a natureza e o uso da inteligência artificial
Embora o modelo ACDM descreva com sucesso muitas propriedades do Universo, os físicos sabem que ele é provavelmente incompleto. Observações sugerem que fenômenos como neutrinos massivos ou gravidade modificada podem apontar para uma nova física. Testar essas alternativas exige um número enorme de simulações, o que demanda imensos recursos computacionais.
Um atalho para o aprendizado
O estudo investiga se o aprendizado por transferência, no qual a IA reutiliza conhecimento para acelerar a aprendizagem em novas tarefas, torna o processo mais eficiente. Pesquisadores primeiro treinaram uma rede neural em simulações do modelo ACDM e depois a adaptaram para modelos cosmológicos mais complexos.
“É basicamente um atalho”, explica Adrian Bayer, cosmólogo do Flatiron Institute e da Universidade de Princeton, coautor do estudo. A equipe usa primeiro simulações mais simples e baratas para dar à IA uma base de conhecimento antes de avançar para os modelos mais complexos.
A ideia se assemelha a estudar um assunto difícil lendo um livro introdutório antes de se aprofundar. De acordo com os resultados, a abordagem pode reduzir em mais de 10 vezes o número de simulações dispendiosas necessárias.
O risco da transferência negativa
A pesquisa também revelou um fenômeno conhecido como transferência negativa. Isso acontece quando o conhecimento prévio da IA leva a interpretações erradas, dificultando o reconhecimento de efeitos genuinamente novos.
Algo semelhante ocorre quando os efeitos de uma nova física se parecem muito com padrões já associados ao modelo padrão. A IA tende a usar categorias que já aprendeu, o que torna mais difícil identificar a novidade.
Os pesquisadores observaram esse comportamento em simulações envolvendo neutrinos massivos. Certos efeitos produzidos pela massa do neutrino se assemelham a variações de um parâmetro do ACDM, conhecido como lambda 8. Como resultado, a rede pré-treinada teve dificuldade para distinguir os dois efeitos.
“A transferência negativa não é aleatória. Ela é impulsionada por degenerescências físicas subjacentes no modelo”, afirma Veena Krishnaraj, primeira autora do artigo. Isso significa que diferentes parâmetros físicos podem produzir efeitos observáveis muito semelhantes.
O trabalho destaca o potencial e os riscos de aplicar estratégias de “modelo fundamental” à física. Por ora, o método foi testado em simulações, preparando o terreno para sua aplicação em dados observacionais de futuros levantamentos cosmológicos.
Uma ferramenta de IA foi usada para auxiliar na produção desta reportagem, sob supervisão editorial humana.
