遷移學習加速宇宙物理研究卻面臨負遷移挑戰

普林斯頓大學等機構研究團隊將遷移學習導入虛擬宇宙模擬，讓模型沿用既有訓練成果，而不必針對每組物理條件從頭運算。這項方法可望加快宇宙學參數分析並降低高昂算力需求，但模型能否辨識超出既有理論的訊號，攸關 AI 是否真正有助於發現新物理。

研究顯示，遷移學習可把虛擬宇宙模擬的運算成本降低十倍以上；代價是模型可能受預訓練知識束縛，把罕見的新物理訊號歸入熟悉現象，形成「負遷移」。團隊下一階段將把技術套用至真實天文觀測資料，並處理由物理縮併性造成的辨識困難。