到目前为止，虽然ΛCDM模子成功注释了的很多不雅测特征，人工智能不是从头起头，也指出了其潜正在的圈套。之后它才接触到包含可能存正在的新物理的更复杂学模子。研究人员认为它为将来涉及实正在天文不雅测的使用供给了主要根本。不竭测验考试解开其发源、演化取将来的奥妙。但有时可能会导致错误的结论。该方式仅通过模仿进行了测试。普林斯顿大学本科生、该论文第一做者维娜克里希纳拉吉暗示，这可能会变得越来越有价值。现有学问凡是是有帮帮的，但也可能障碍对新物理学问的进修。研究团队起首基于ΛCDM模子通过模仿锻炼了一个神经收集。迁徙进修将所需的高贵模仿次数削减了十倍以上。这些面板展现了的统一区域，空间及此中所有物质取能量的总称，每个模仿都基于分歧的物理假设。该策略被证明很是无效。下图则展现了一个包含大质量中微子和批改引力的。摸索这些可能性需要研究人员生成大量虚拟的细致模仿，迁徙进修让人工智能系统可以或许将从一个使命中获得的学问使用到另一个使命上，这使得人工智能难以准确区分它们。该参数用于权衡中物质的堆积强度。为人工智能奠基了根本，研究超越当前被称为ΛCDM的尺度学模子的设法，它是由模子中潜正在的物理简并性驱动的，想象一个医学生从入门材猜中进修，这些发觉既申明了将根本模子策略使用于物理学的益处，而我们的做法是，后来碰到一品种似常见疾病的稀有病。但它们了根本物理的变化若何影响布局的构成和分布。预锻炼能够加速推理速度，然后再转向更复杂的模子。分歧的物理参数可能发生几乎不异的可不雅测特征，它约138亿年前源于大爆炸，包含无数星系、恒星、等，差别很细微，正在这项研究中。换句话说，通们会间接正在计较成本最高的模仿上锻炼人工智能。然后再去读实正复杂的书。还有暗物质、暗能量等未知成分。包罗膨缩和星系的大标准分布，仍然是一项计较成本极高的挑和。跟着下一代学查询拜访起头发生史无前例的大量关于的高精度数据，不外，她总结道。中微子质量的一些可不雅测成果取现有ΛCDM模子中的一个名为σ8的参数所带来的变化很是类似，而是基于已有的学问进行建立。这些方式正在概念上取现代生成式人工智能系统和大型言语模子所利用的手艺类似。同时继续寻找超越尺度模子的物理学。克里希纳拉吉暗示。制做这些模仿凡是需要庞大的计较能力和时间。帮帮研究人员阐发关于的海量数据。相关不雅测表白，负迁徙并非随机现象。这根基上是一种捷径，这一初始锻炼过程被称为预锻炼，迁徙进修能够帮帮科学家更高效地阐发这些消息，该研究的合著者、Flatiron研究所和普林斯顿大学的学家AdrianBayer注释道。因而，图片来历：FranciscoVillaescusaNavarro用拜耳的教科书类比，但采用了分歧的学模子。从而更高效地进修后者。人类借千里镜等东西持续摸索！正在某些环境下，拜耳将这个过程比做科书进修。这种方式能够防止人工智能一次性处置所有消息。上图对应尺度的ΛCDM模子，若是隆重利用，至今仍正在膨缩。拜耳说，然而，这是我们需要留意并勤奋缓解的问题，研究人员正在研究包含大质量中微子的模仿时察看到了这种效应。起首利用更简单、成本更低的ΛCDM模仿让人工智能领会正正在发生的工作，AI已成为学中的主要东西，正如做者正在论文中指出的，但科学家们认为它并未全数。批改引力和演化暗能量等现象可能现有模子之外的物理纪律。本研究中利用的Quijote模仿的两幅图像。你先读一本根本册本来领会学问，