هوش مصنوعی در جست‌وجوی قوانین ناشناخته جهان/ کشف قوانین جدید جهان سخت‌تر شد

پژوهشگران در مطالعه‌ای جدید نشان داده‌اند که هوش مصنوعی می‌تواند روند کشف قوانین جدید فیزیک و بررسی اسرار ناشناخته کیهان را به‌طور چشمگیری سریع‌تر و کم‌هزینه‌تر کند. با این حال نتایج این تحقیق یک چالش مهم را نیز آشکار کرده است: گاهی هوش مصنوعی آن‌قدر به دانسته‌ها و آموزش‌های قبلی خود وابسته می‌شود که در تشخیص پدیده‌های کاملا جدید با مشکل مواجه می‌شود.

به گزارش ساینس دیلی، این پژوهش که در نشریه Journal of Cosmology and Astroparticle Physics (JCAP) منتشر شده به بررسی کاربرد روش‌های نوین یادگیری ماشین در کیهان‌شناسی پرداخته است. دانشمندان معتقدند این فناوری می‌تواند به ابزاری قدرتمند برای یافتن فیزیک فراتر از مدل‌های فعلی جهان تبدیل شود.

چالش بزرگ کیهان‌شناسان

امروزه مدل استاندارد کیهان‌شناسی موسوم به ΛCDM لامبدا سی‌دی‌ام بهترین توضیح موجود برای بسیاری از ویژگی‌های جهان، از جمله انبساط کیهان و نحوه توزیع کهکشان‌ها در مقیاس‌های بزرگ به شمار می‌رود. با این حال، بسیاری از دانشمندان باور دارند که این مدل نمی‌تواند همه واقعیت‌های جهان را توضیح دهد.

مشاهدات جدید نشان می‌دهد پدیده‌هایی مانند نوترینو‌های پرجرم، انرژی تاریک متغیر و نظریه‌های اصلاح‌شده گرانش ممکن است نشانه‌هایی از فیزیک ناشناخته‌ای باشند که فراتر از مدل فعلی قرار دارد.

برای بررسی چنین فرضیه‌هایی پژوهشگران ناچارند میلیون‌ها شبیه‌سازی پیچیده از جهان‌های مجازی با قوانین فیزیکی متفاوت تولید کنند؛ فرآیندی که به قدرت محاسباتی بسیار بالا، زمان طولانی و هزینه‌های سنگین نیاز دارد.

یادگیری انتقالی میان‌بری برای آموزش هوش مصنوعی

محققان در این مطالعه رویکردی به نام Transfer Learning یا یادگیری انتقالی را آزمایش کردند. در این روش هوش مصنوعی ابتدا با داده‌های ساده‌تر آموزش می‌بیند و سپس دانشی را که به دست آورده برای یادگیری وظایف پیچیده‌تر به کار می‌گیرد. به بیان دیگر، مدل نیازی ندارد هر بار آموزش خود را از صفر آغاز کند.

تیم تحقیقاتی ابتدا یک شبکه عصبی را با شبیه‌سازی‌های مبتنی بر مدل استاندارد ΛCDM آموزش دادند. پس از آن این شبکه با مدل‌های پیچیده‌تری که شامل فیزیک جدید و ناشناخته بودند روبه‌رو شد.

آدریان بایر، کیهان‌شناس مؤسسه فلت‌آیرون و دانشگاه پرینستون و از نویسندگان این پژوهش می‌گوید: این روش در واقع نوعی میان‌بر است. معمولا پژوهشگران هوش مصنوعی را مستقیما با گران‌ترین و پیچیده‌ترین شبیه‌سازی‌ها آموزش می‌دهند، اما ما ابتدا از شبیه‌سازی‌های ساده‌تر و ارزان‌تر ΛCDM استفاده کردیم تا سیستم درک اولیه‌ای از کیهان به دست آورد و سپس سراغ مدل‌های پیچیده‌تر رفتیم.

او این فرآیند را به مطالعه کتاب‌های درسی تشبیه می‌کند: ابتدا یک کتاب مقدماتی را می‌خوانید تا مفاهیم پایه را یاد بگیرید و بعد سراغ کتاب‌های تخصصی و دشوار می‌روید.

وینا کریشناراج، دانشجوی کارشناسی دانشگاه پرینستون و نویسنده اصلی مقاله نیز معتقد است این رویکرد باعث می‌شود هوش مصنوعی مجبور نباشد همه اطلاعات را به‌طور هم‌زمان هضم کند.

کاهش چشمگیر هزینه‌های محاسباتی

نتایج پژوهش نشان داد یادگیری انتقالی عملکرد بسیار موفقی دارد. در برخی آزمایش‌ها استفاده از این روش تعداد شبیه‌سازی‌های پرهزینه موردنیاز را بیش از ۱۰ برابر کاهش داد. این دستاورد می‌تواند هزینه و زمان تحقیقات کیهان‌شناسی را به شکل قابل‌توجهی کاهش دهد و امکان بررسی سناریو‌های بیشتری را برای دانشمندان فراهم کند.

وقتی دانش قبلی به مانع تبدیل می‌شود

پژوهشگران در کنار مزایای این روش با پدیده‌ای موسوم به انتقال منفی (Negative Transfer) نیز مواجه شدند. در این وضعیت دانش قبلی هوش مصنوعی به جای کمک کردن باعث اشتباه در تحلیل داده‌های جدید می‌شود.

بایر برای توضیح این موضوع مثالی از علم پزشکی مطرح می‌کند. فرض کنید یک دانشجوی پزشکی پس از مطالعه بیماری‌های رایج با یک بیماری بسیار نادر مواجه شود که علائم آن شباهت زیادی به یک بیماری شناخته‌شده دارد. در چنین شرایطی، دانسته‌های قبلی ممکن است او را به تشخیص اشتباه هدایت کند.

اتفاق مشابهی در هوش مصنوعی نیز رخ می‌دهد. برخی نشانه‌های فیزیک جدید شباهت زیادی به الگو‌هایی دارند که مدل از قبل در چارچوب ΛCDM آموخته است بنابراین سیستم تمایل پیدا می‌کند پدیده‌های جدید را نیز با همان تفسیر‌های قدیمی توضیح دهد.

مشکل در تشخیص اثر جرم نوترینو‌ها

دانشمندان این مشکل را هنگام بررسی شبیه‌سازی‌های مربوط به نوترینو‌های پرجرم مشاهده کردند. برخی اثرات قابل مشاهده جرم نوترینو‌ها شباهت زیادی به تغییرات پارامتری به نام σ۸ سیگما ۸ دارند؛ پارامتری که میزان خوشه‌بندی ماده در سراسر جهان را توصیف می‌کند. از آنجا که اثر این دو عامل بسیار مشابه است، شبکه عصبی از پیش آموزش‌دیده در مراحل اولیه نمی‌توانست به‌خوبی میان آنها تمایز قائل شود.

کریشناراج در این‌باره می‌گوید: انتقال منفی یک پدیده تصادفی نیست بلکه از هم‌پوشانی‌های بنیادی در خود مدل‌های فیزیکی ناشی می‌شود.

به گفته او پارامتر‌های فیزیکی متفاوت گاهی امضا‌های رصدی تقریبا یکسانی تولید می‌کنند و همین موضوع تشخیص صحیح آنها را برای هوش مصنوعی دشوار می‌سازد.

او تاکید می‌کند: این مسئله‌ای است که باید نسبت به آن آگاه باشیم و برای کاهش اثرات آن راه‌حل‌هایی پیدا کنیم.

آینده هوش مصنوعی در کیهان‌شناسی

نتایج این پژوهش تصویری دوگانه از نقش هوش مصنوعی در علوم پایه ارائه می‌دهد. از یک سو روش‌های پیش‌آموزش و یادگیری انتقالی می‌توانند سرعت تحلیل داده‌ها را به‌شدت افزایش دهند و هزینه‌های محاسباتی را کاهش دهند. از سوی دیگر همین دانش قبلی ممکن است در برخی موارد مانع کشف پدیده‌های واقعا جدید شود.

این رویکرد‌ها از نظر مفهومی شباهت زیادی به فناوری‌های مورد استفاده در مدل‌های زبانی بزرگ و سامانه‌های مولد هوش مصنوعی دارند؛ سیستم‌هایی که پیش از انجام وظایف تخصصی با حجم عظیمی از داده‌ها آموزش می‌بینند.

پژوهشگران تاکید می‌کنند که آزمایش‌های فعلی تنها روی شبیه‌سازی‌های رایانه‌ای انجام شده است، اما نتایج آن می‌تواند زمینه را برای استفاده از این روش در تحلیل داده‌های واقعی نجومی فراهم کند.

اهمیت این موضوع با آغاز نسل جدید پروژه‌های رصدی کیهان بیشتر خواهد شد پروژه‌هایی که قرار است حجم بی‌سابقه‌ای از داده‌های دقیق درباره ساختار و تاریخچه جهان تولید کنند.

دانشمندان امیدوارند با استفاده هوشمندانه از یادگیری انتقالی بتوانند این داده‌ها را سریع‌تر تحلیل کرده و در عین حال به جست‌وجوی نشانه‌هایی از فیزیک فراتر از مدل استاندارد ادامه دهند. نشانه‌هایی که شاید در نهایت به کشف قوانین جدید حاکم بر جهان منجر شوند.