人工智能或能更快发现新物理规律，但有个意想不到的难题

这篇发表于《宇宙学与天体粒子物理学杂志》（JCAP）的研究，探讨了迁移学习在宇宙学研究中的应用价值。当前主流的宇宙学模型ΛCDM虽能解释宇宙膨胀、星系分布等大尺度现象，但面对中微子质量、修正引力、演化暗能量等新物理线索时仍显不足。验证这些理论需运行海量高精度计算机模拟（每个模拟相当于一个‘虚拟宇宙’），但计算成本极高。研究团队提出：先用简单、廉价的ΛCDM模拟预训练AI模型（类似先读入门教材），再用含新物理的复杂模拟进行微调。结果表明，该方法可将所需昂贵模拟数量减少十倍以上。然而，研究也发现‘负迁移’风险——当新物理信号（如大质量中微子效应）与ΛCDM中已有参数（如表征物质聚集强度的σ8）产生的观测特征高度相似时，AI会因先入为主的认知而混淆二者。作者强调，这不是随机错误，而是源于物理模型本身的内在简并性（不同机制产生相似可观测结果）。因此，迁移学习虽有望加速未来大型巡天项目的数据分析，但也需针对性设计策略来规避误判。下一步将把该方法应用于真实天文观测数据。