Quando a cosmologia chega às manchetes, muitas vezes vemos imagens sofisticadas de mapas cósmicos e supernovas. Mas, na realidade, os cientistas têm de analisar centenas ou milhares de cálculos e simulações durante meses ou anos. Num esforço para reduzir este fardo, alguns cientistas recorreram à IA – mas, como revela um novo estudo, os prós e os contras são bastante matizados.
Em um estudar publicado no início deste mês no Journal of Cosmology and Astroparticle Physics, os cosmólogos treinaram uma rede neural de IA em simulações de ΛCDM – o modelo padrão da cosmologia (doravante denominado modelo padrão). Depois, a equipa testou se este pré-treinamento ajudaria ou prejudicaria as investigações subsequentes da IA sobre outros problemas pendentes em cosmologia e astrofísica. Embora a IA tenha se mostrado promissora, ela desenvolveu preconceitos que acabaram sendo prejudiciais para a descoberta de uma nova física.
O estudo é um “bom exemplo de como a IA pode ajudar a ciência a avançar mais rapidamente quando usada de forma estruturada”. Adrian E. Bayercoautor do estudo e cosmólogo do Flatiron Institute e da Universidade de Princeton, disse ao Gizmodo. “Ao mesmo tempo, o estudo é um lembrete de que a aceleração e a compreensão devem andar juntas.”
A verdade cara
Avanços cosmológicos tendem a ser caros e demorados. Como Will Percival, co-porta-voz do Instrumento Espectroscópico de Energia Escura (DESI), disse ao Gizmodo em abril, a preparação de conjuntos de dados para análise científica envolve a criação de universos e galáxias simulados e, em seguida, a execução de simulações como verificações de sanidade. Estes processos são vitais para tirar conclusões sérias de observações avançadas.
Mas simulações de modelos além do modelo padrão – extensões que envolvem neutrinos massivos, evolução da energia escura ou gravidade modificada – também são muito caras, disse Bayer ao Gizmodo. Ao mesmo tempo, testar estes cenários alternativos, independentemente de acabarem por ser corretos, é elementary para o avanço da nossa compreensão do cosmos. Essa motivação prática foi o que levou a Bayer a procurar “métodos que possam aprender de forma eficiente, sem exigir novos e enormes conjuntos de simulação para cada cenário”.
Transferências acidentadas?
Para o experimento, a equipe usou uma estratégia de aprendizado de máquina chamada aprendizagem por transferência. Nesta abordagem, um modelo aprende primeiro com uma tarefa ou conjunto de dados – simulações do modelo padrão – e aplica esse conhecimento para aprender uma tarefa relacionada ou versões estendidas do modelo padrão que incluem ideias promissoras para a nova física.
De acordo com a Bayer, a IA teve um desempenho muito bom em termos de compreensão do modelo padrão baseado em menos simulações e menos dispendiosas. No entanto, começou a ter dificuldades quando a nova física “se sobrepõe a direções que já aprendeu em [the standard model] espaço de parâmetros”, observou ele. Esse fenômeno, chamado de transferência negativa, surgiu quando a IA se tornou tendenciosa e não foi capaz de distinguir entre dois efeitos físicos diferentes que produzem padrões semelhantes nos dados. Portanto, em vez de detectar algo inerentemente novo, a IA confiou em coisas que já havia aprendido, fazendo com que perdesse pistas potenciais que sugeriam uma física além do modelo padrão.
“O resultado negativo da transferência é fascinante porque mostra que o modelo não está falhando aleatoriamente”, acrescentou Bayer. “Compreender quando a aprendizagem por transferência ajuda e quando reforça essas degenerações é muito importante para usar a IA de forma confiável em futuras análises cosmológicas.”
IA e cosmologia
Para a Bayer, as últimas descobertas confirmam a noção não tão nova de que a IA pode ser útil, mas os especialistas humanos devem seguir cuidadosamente os seus cálculos para compreender e abordar questões relevantes.
“A aprendizagem por transferência pode dar à IA uma vantagem poderosa, permitindo-nos testar muito mais ideias sobre o universo do que seria prático de outra forma”, disse ele. “Mas se um modelo transporta conhecimento de um ambiente para outro, precisamos de compreender o que ele transportou – quando esse conhecimento ajuda e quando pode induzir em erro.”
Em seguida, Bayer e colegas planeiam realizar experiências semelhantes em ambientes que “se assemelhem mais aos dados reais de pesquisa”, que incluem “incertezas na formação de galáxias, máscaras de pesquisa e ruído”. Além disso, a equipe quer explorar quais investigações cosmológicas poderiam se beneficiar mais com a aprendizagem por transferência.
